GCN代码讲解

最新推荐文章于 2024-07-28 17:52:09 发布
最新推荐文章于 2024-07-28 17:52:09 发布
阅读量366 收藏
点赞数 1
文章标签： python GCN 图卷积网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43858783/article/details/134389899
版权

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
这里写的有点抽象，所以具体的可以参照下面代码块中的注释：

def load_data(path="../data/cora/", dataset="cora"):
    """Load citation network dataset (cora only for now)"""
    print('Loading {} dataset...'.format(dataset))

    "导入cora.content"
    idx_features_labels = np.genfromtxt("{}{}.content".format(path, dataset),
                                        dtype=np.dtype(str))
    # 第1维到倒数第2维是该结点对应的特征
    features = sp.csr_matrix(idx_features_labels[:, 1:-1], dtype=np.float32)
    labels = encode_onehot(idx_features_labels[:, -1])
    # labels是它最后一个维度      所有结点的最后一个维度

    # 建立图
    # 取出该结点对应的索引值
    idx = np.array(idx_features_labels[:, 0], dtype=np.int32)
    # 构造结点的索引字典---》利用索引值重新构造图
    idx_map = {j: i for i, j in enumerate(idx)}
    # 导入边的数据
    edges_unordered = np.genfromtxt("{}{}.cites".format(path, dataset),
                                    dtype=np.int32)
    # 用之前为结点建立的索引字典的编号更改每一个边的编号
    edges = np.array(list(map(idx_map.get, edges_unordered.flatten())),
                     dtype=np.int32).reshape(edges_unordered.shape)
    # 构建一个邻接矩阵                     (填充的数据,行号,列号)
    adj = sp.coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),
                        shape=(labels.shape[0], labels.shape[0]),
                        dtype=np.float32)


    # 将有向图转换为无向图
    adj = adj + adj.T.multiply(adj.T > adj) - adj.multiply(adj.T > adj)
    # 对于特征进行归一化
    features = normalize(features)
    adj = normalize(adj + sp.eye(adj.shape[0])) #对A+I进行归一化【邻接矩阵归一化】
    # 划分训练集、测试集以及验证集样本
    idx_train = range(140)
    idx_val = range(200, 500)
    idx_test = range(500, 1500)
    # 将numpy的数据转换成torch中的Tensor格式
    features = torch.FloatTensor(np.array(features.todense()))
    labels = torch.LongTensor(np.where(labels)[1])
    adj = sparse_mx_to_torch_sparse_tensor(adj)

    idx_train = torch.LongTensor(idx_train)
    idx_val = torch.LongTensor(idx_val)
    idx_test = torch.LongTensor(idx_test)
    # 返回的结果：邻接矩阵（已经进行过归一化）、特征值、标签、训练集和测试集以及验证集对应的索引
    return adj, features, labels, idx_train, idx_val, idx_test

在这里插入图片描述

Debug部分

在这里插入图片描述
在这里插入图片描述
对于代码中如何将无向图变成有向图的公式是十分重要的，这里也简单地举了一个小栗子：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
注意：这里是有softmax()函数的哦~
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Coisíní℘
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
TextGCN 代码阅读注释
Talk Is Cheap
12-24 3723
build_graph.py import os import random import numpy as np import pickle as pkl import networkx as nx import scipy.sparse as sp from utils import loadWord2Vec, clean_str from math import log from sklea...
ST-GCN 代码解读
一杯水果茶！足矣~
04-12 781
ST-GCN 代码解读
GCN-图卷积神经网络算法简单实现（含python代码）
weixin_50706330的博客
10-29 4万+
GCN-图卷积神经网络算法简单实现（含python代码）
EEG代码实践：基于图卷积神经网络（GCN）的DEAP数据集分类
SashiMoore的博客
05-25 8380
图卷积神经网络（Graph Convolutional Network，GCN）是一种用于处理图结构数据的深度学习算法。它扩展了传统的卷积神经网络（CNN）到图领域，可以对节点在图上的特征进行学习和预测。GCN具有广泛的应用，包括社交网络分析、推荐系统、生物信息学等领域。图 1 GCN概念图GCN首先将图表示为邻接矩阵A和节点特征矩阵X。邻接矩阵A描述了图中节点之间的连接关系，其中A(i, j)表示节点i和节点j之间是否存在边。节点特征矩阵X包含了每个节点的特征向量，可以是节点的属性或者其他表示。
基于图卷积神经网络（GCN）的高光谱图像分类详细教程（含python代码）
最新发布
知识搬运者
07-28 1193
高光谱图像通常包含数百个甚至数千个连续的频谱波段，每个波段对应一个光谱特征，这使得传统的卷积神经网络在处理高光谱图像时面临困难，因为它们无法有效地捕获像素之间的空间关系。总体来说，图卷积神经网络通过充分利用高光谱图像中像素之间的空间关系，有效地提升了分类性能，并在遥感图像分析和其他高维数据的处理中展现出了广阔的应用前景。：将高光谱图像中的像素视为图中的节点，像素之间的空间关系（例如邻近关系）作为图的边，这样就能够在整个图上利用节点的局部和全局信息。下面我们以IP数据集为例子进行展开讲解。
从0到1实现GCN——最详细的代码实现
m0_53961910的博客
11-16 1万+
从0到1的GCN代码实现。详细介绍了基于GCN公式的代码实现，以及更加简单高效的基于Pytorch Geometric(PyG)的GCN的代码实现。帮助小白快速入手GCN！！！
GCN及代码实现
不染心的博客
08-13 3万+
相比于简单的文本和图像，这种网络类型的非结构化的数据非常复杂，处理它的难点包括：那么对于这类数据我们该如何建模呢？能否将深度学习进行扩展使得能够建模该类数据呢？这些问题促使了图神经网络的出现与发展。当然，其实GCN的缺点也是很显然易见的，第一，GCN需要将整个图放到内存和显存，这将非常耗内存和显存，处理不了大图；第二，GCN在训练时需要知道整个图的结构信息(包括待预测的节点), 这在现实某些任务中也不能实现(比如用今天训练的图模型预测明天的数据，那么明天的节点是拿不到的)。GCN四个特征：关于GCN常见问题
图神经网络（二）—GCN-pytorch版本代码详解
weixin_44027006的博客
04-11 1万+
GCN代码详解-pytorch版本1 GCN基本介绍2 代码解析2.1 导入数据2.2 GCN模型框架2.3 评估与训练参考资料 写在前面… 在研究生的工作中使用到了图神经网络，所以平时会看一些与图神经网络相关的论文和代码。写这个系列的目的是为了帮助自己再理一遍算法的基本思想和流程，如果同时也能对其他人提供帮助是极好的~博主也是在学习过程中，有些地方有误还请大家批评指正！ github: https://github.com/OuYangg/GNNs 1 GCN基本介绍 论文标题：Semi-super
GCN最简单的实现
qq_40515250的博客
05-24 311
https://pytorch-geometric.readthedocs.io/en/latest/notes/introduction.html GCN最简单的实现 PyTorch Geometric中的一个图由的实例描述torch_geometric.data.Data data.x：具有形状的节点特征矩阵 [num_nodes, num_node_features] data.edge_index：具有形状和类型的COO格式的图形连接[2, num_edges]torch.long data.edg
GCN——源码剖析
行走天涯的豆沙包的博客
01-05 1225
图学习 layer.py import math import torch from torch.nn.parameter import Parameter # 可以用parameter()函数 from torch.nn.modules.module import Module # 定义网络层的模块 ''' parameter()将一个不可训练的类型Tensor转换成可以 训练的类型parameter并将其绑定到这个module里面， 所以经过类型转换这个就变成了模型的一部分，成为了 模型
GCN
qq_37394299的博客
12-16 288
Semi-supervised Classfication With Graph Convolutional Networks Summary 对切比雪夫近似GNN算法改进,降低参数量,提出一种更适用于GPU并行架构的网络 Research Objective 进一步改进GNN频域卷积算法,使其在不损失精度的同时提升速度.成为了大多应用中GNN频域卷积的baseline Problem Sta...
STGCN-PyTorch-master.zip_STGCN 代码分析_STGCN pytorch_stgcn_stgcn d
07-15
这个"STGCN-PyTorch-master.zip"压缩包包含了一个基于PyTorch实现的STGCN源码，是IJCAI 2018年计算机顶会的一篇论文的代码实现。以下是对STGCN模型以及其PyTorch实现的详细解释： 1. **STGCN模型结构**： - **图...
pytorch框架下—GCN代码详细解读
热门推荐
Melvin Dong的博客
08-19 5万+
说明：本文是对论文“SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS， ICLR 2017”中描述的GCN模型代码的详细解读。 代码下载地址：https://github.com/tkipf/pygcn 论文下载地址：https://arxiv.org/abs/1609.02907 数据集下载地址：https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz 目录代码结构总览一、数据.
【深度学习】GCN的dgl官方代码解读
逍遥鱼的博客
05-01 1964
gcn官方dgl库实现，记录个人理解
GCN 代码解析(一) for pytorch
weixin_47332746的博客
05-31 1182
在前文中，已经对图卷积神经网络（Graph Convolutional Neural Networks, GCN）的理论基础进行了深入探讨。接下来的章节将会进入新的阶段——将借助PyTorch，这一强大的深度学习框架，通过实战讲解来展示如何构建和训练一个图卷积神经网络。这一过程不仅将帮助读者巩固理论知识，更重要的是，它将引导读者迈出理论到实践的关键一步，从而在处理具有图结构数据的问题上实现质的飞跃。
图神经网络GNN/GCN自学笔记&基础代码实现
tranquil666的博客
12-09 762
跟数据结构里面的图基本一样的，没有别的，就是三大特征：V Vertex（or node）arrtibutes：点 ，比如一个人的身高体重这样的特征E Edge(or link)arrtibutes and directions: 边，比如你正在读小白我的博客，我们的边就是朋友啦hhU Global(or master node)arrtibutes：图， 比如一个学校可以做成图，包含了同学，老师，教学楼本身的属性特征，和他们之间的关系特征总之，；
GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））
jkokj23153的博客
09-15 1922
这里给的代码链接是用PyTorch实现的，原始论文中的代码是用Tensorflow实现的，有兴趣的可以自己玩
GCN代码简析（dgl实现）
qq_45678095的博客
08-06 590
dgl实现的GCN代码，GraphConv的源代码解析
GCN代码
qq_39694857的博客
10-11 1344
代码可以在github上fork,本文主要是加了一些注释，并且搭配本人所作笔记【GCN代码笔记】 layers.py import math import torch from torch.nn.parameter import Parameter from torch.nn.modules.module import Module class GraphConvolution(Module): """ Simple GCN layer, similar to https://arx
gcn代码详解pytorch
05-16
GCN（Graph Convolutional Networks，图卷积网络）是一种用于图像分类、节点分类等图像处理任务的深度学习模型。下面我将介绍如何使用PyTorch实现GCN。 首先，我们需要安装PyTorch和其它必要的库。可以使用以下命令安装： ``` pip install torch torchvision pip install numpy scipy scikit-learn ``` 接下来，我们需要定义一个GCN模型。以下是一个简单的实现： ```python import torch import torch.nn as nn import torch.nn.functional as F class GCN(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GCN, self).__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.fc2 = nn.Linear(hidden_dim, output_dim) def forward(self, x, adj): x = F.relu(self.fc1(torch.mm(adj, x))) x = self.fc2(torch.mm(adj, x)) return F.log_softmax(x, dim=1) ``` 在上面的代码中，我们定义了一个三层的GCN模型。`input_dim`是输入特征的维度，`hidden_dim`是隐藏层的维度，`output_dim`是输出层的维度。`nn.Linear`是一个线性层，`F.relu`是一个激活函数，`F.log_softmax`是一个softmax函数。 接下来，我们需要定义一个训练函数。以下是一个简单的实现： ```python def train(model, optimizer, criterion, features, adj, labels, idx_train): model.train() optimizer.zero_grad() output = model(features, adj) loss = criterion(output[idx_train], labels[idx_train]) loss.backward() optimizer.step() return model, optimizer, loss.item() ``` 在上面的代码中，我们定义了一个训练函数。`features`是输入特征，`adj`是邻接矩阵，`labels`是标签，`idx_train`是训练样本的索引。我们使用`model.train()`将模型切换到训练模式，然后使用`optimizer.zero_grad()`将梯度清零，使用`model(features, adj)`计算输出，使用`criterion(output[idx_train], labels[idx_train])`计算损失，使用`loss.backward()`计算梯度，使用`optimizer.step()`更新参数。 接下来，我们需要定义一个测试函数。以下是一个简单的实现： ```python def test(model, features, adj, labels, idx_test): model.eval() output = model(features, adj) _, preds = torch.max(output, dim=1) correct = torch.sum(preds[idx_test] == labels[idx_test]) acc = correct.item() / len(idx_test) return acc ``` 在上面的代码中，我们定义了一个测试函数。`features`是输入特征，`adj`是邻接矩阵，`labels`是标签，`idx_test`是测试样本的索引。我们使用`model.eval()`将模型切换到测试模式，然后使用`model(features, adj)`计算输出，使用`torch.max`计算最大值，使用`torch.sum`计算正确的预测数量，使用`acc = correct.item() / len(idx_test)`计算准确率。 以下是一个完整的GCN模型的实现： ```python import torch import torch.nn as nn import torch.nn.functional as F class GCN(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GCN, self).__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.fc2 = nn.Linear(hidden_dim, output_dim) def forward(self, x, adj): x = F.relu(self.fc1(torch.mm(adj, x))) x = self.fc2(torch.mm(adj, x)) return F.log_softmax(x, dim=1) def train(model, optimizer, criterion, features, adj, labels, idx_train): model.train() optimizer.zero_grad() output = model(features, adj) loss = criterion(output[idx_train], labels[idx_train]) loss.backward() optimizer.step() return model, optimizer, loss.item() def test(model, features, adj, labels, idx_test): model.eval() output = model(features, adj) _, preds = torch.max(output, dim=1) correct = torch.sum(preds[idx_test] == labels[idx_test]) acc = correct.item() / len(idx_test) return acc ``` 接下来，我们需要加载数据。以下是一个简单的实现： ```python import numpy as np def load_data(): adj = np.array([[0, 1, 1, 0], [1, 0, 1, 0], [1, 1, 0, 1], [0, 0, 1, 0]]) features = np.array([[0, 1, 0], [1, 0, 0], [0, 0, 1], [1, 0, 0]]) labels = np.array([0, 1, 2, 0]) idx_train = np.array([0, 1, 2]) idx_test = np.array([3]) return adj, features, labels, idx_train, idx_test ``` 在上面的代码中，我们定义了一个简单的图。`adj`是邻接矩阵，`features`是输入特征，`labels`是标签，`idx_train`是训练样本的索引，`idx_test`是测试样本的索引。 接下来，我们需要训练模型。以下是一个简单的实现： ```python import torch.optim as optim adj, features, labels, idx_train, idx_test = load_data() model = GCN(input_dim=features.shape[1], hidden_dim=16, output_dim=labels.max()+1) optimizer = optim.Adam(model.parameters(), lr=0.01) criterion = nn.CrossEntropyLoss() for epoch in range(100): model, optimizer, loss = train(model, optimizer, criterion, features, adj, labels, idx_train) acc = test(model, features, adj, labels, idx_test) print('Epoch: {:03d}, Loss: {:.4f}, Acc: {:.4f}'.format(epoch, loss, acc)) ``` 在上面的代码中，我们定义了一个优化器和一个损失函数。然后，我们使用一个循环来训练模型，并使用`test`函数测试模型。我们使用`print`函数打印训练和测试的损失和准确率。 以上就是使用PyTorch实现GCN的一些基本步骤。当然，这只是一个简单的实现，实际中还有很多需要改进的地方。希望能对你有所帮助！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Coisíní℘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值