图卷积网络GCN

图卷积网络（Graph Convolutional Network，GCN）是一种深度学习模型，专门用于处理图结构数据，如社交网络、推荐系统中的用户-物品关系等。GCN 可以学习节点在图中的表示，并利用这些表示进行节点分类、链接预测等任务。它的核心思想是通过卷积操作在图结构上进行信息传递和聚合，从而捕捉节点之间的关系和特征。

推荐阅读文章何时能懂你的心——图卷积神经网络（GCN）

举例说明

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.data import DataLoader
from torch_geometric.nn import GCNConv

# 加载一个小规模的图数据集（这里使用Cora数据集）
dataset = Planetoid(root='.', name='Cora', transform=None, pre_transform=None)
data = dataset[0]

# 定义一个简单的GCN模型
class GCN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 定义模型、损失函数和优化器
model = GCN(in_channels=dataset.num_node_features, hidden_channels=16, out_channels=dataset.num_classes)
criterion = nn.NLLLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

# 将数据加载器包装在PyTorch的DataLoader中
loader = DataLoader(dataset, batch_size=64, shuffle=True)

# 训练模型
model.train()
for epoch in range(200):
    for batch in loader:
        optimizer.zero_grad()
        output = model(batch.x, batch.edge_index)
        loss = criterion(output[batch.train_mask], batch.y[batch.train_mask])
        loss.backward()
        optimizer.step()

# 测试模型
model.eval()
with torch.no_grad():
    pred = model(data.x, data.edge_index).argmax(dim=1)
    correct = pred[data.test_mask] == data.y[data.test_mask]
    accuracy = correct.sum() / data.test_mask.sum().item()
    print(f'Test Accuracy: {accuracy:.4f}')

这段代码实现了一个简单的图卷积网络（GCN）模型，并在Cora数据集上进行训练和测试。以下是对代码的主要解释：

1. 导入必要的库：

   import torch
   import torch.nn as nn
   import torch.optim as optim
   import torch.nn.functional as F
   from torch_geometric.datasets import Planetoid
   from torch_geometric.data import DataLoader
   from torch_geometric.nn import GCNConv
   

   这里使用了PyTorch作为深度学习框架，以及Torch Geometric库，该库专门用于处理图结构数据。

2. 加载Cora数据集：

   dataset = Planetoid(root='.', name='Cora', transform=None, pre_transform=None)
   data = dataset[0]
   

   使用Planetoid类加载Cora数据集，并获取第一个图数据（Cora只包含一个图）。data对象包含节点特征、边索引、训练/验证/测试集的掩码等信息。

3. 定义GCN模型：

   class GCN(nn.Module):
       def __init__(self, in_channels, hidden_channels, out_channels):
           super(GCN, self).__init__()
           self.conv1 = GCNConv(in_channels, hidden_channels)
           self.conv2 = GCNConv(hidden_channels, out_channels)
   
       def forward(self, x, edge_index):
           x = self.conv1(x, edge_index)
           x = F.relu(x)
           x = F.dropout(x, training=self.training)
           x = self.conv2(x, edge_index)
           return F.log_softmax(x, dim=1)
   

   这是一个两层的GCN模型，每一层包含一个GCNConv层和一个ReLU激活函数。模型的最后一层使用log_softmax来输出预测结果。

4. 定义模型、损失函数和优化器：

   model = GCN(in_channels=dataset.num_node_features, hidden_channels=16, out_channels=dataset.num_classes)
   criterion = nn.NLLLoss()
   optimizer = optim.Adam(model.parameters(), lr=0.01)
   

   创建GCN模型实例，选择负对数似然损失（NLLLoss）作为损失函数，使用Adam优化器进行参数优化。

5. 数据加载器：

   loader = DataLoader(dataset, batch_size=64, shuffle=True)
   

   将数据集包装成PyTorch的DataLoader，以便进行批量训练。

6. 训练模型：

   model.train()
   for epoch in range(200):
       for batch in loader:
           optimizer.zero_grad()
           output = model(batch.x, batch.edge_index)
           loss = criterion(output[batch.train_mask], batch.y[batch.train_mask])
           loss.backward()
           optimizer.step()
   

   在训练循环中，模型经过多个epoch的训练，通过计算损失并反向传播来更新模型参数。

7. 测试模型：

   model.eval()
   with torch.no_grad():
       pred = model(data.x, data.edge_index).argmax(dim=1)
       correct = pred[data.test_mask] == data.y[data.test_mask]
       accuracy = correct.sum() / data.test_mask.sum().item()
       print(f'Test Accuracy: {accuracy:.4f}')
   

   在测试模式下，通过使用测试集进行预测，计算准确率并输出测试准确率。

总体而言，这段代码展示了如何使用PyTorch和Torch Geometric实现一个基本的GCN模型，并在图数据集上进行训练和测试。

可视化

import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE

# 将GCN模型的中间层输出（节点表示）提取出来
model.eval()
with torch.no_grad():
    node_representations = model.conv1(data.x, data.edge_index).numpy()

# 使用t-SNE进行降维
tsne = TSNE(n_components=2)
node_embeddings_2d = tsne.fit_transform(node_representations)

# 可视化节点嵌入
plt.figure(figsize=(8, 8))
plt.scatter(node_embeddings_2d[:, 0], node_embeddings_2d[:, 1], c=data.y, cmap='jet', s=10)
plt.title('t-SNE Visualization of Node Embeddings')
plt.show()

这段代码使用t-SNE对GCN模型中间层的节点表示进行降维，并通过散点图展示节点在二维空间的分布。这有助于观察节点之间的关系和模型的学习效果。