图神经网络代码_一文读懂图神经网络

最新推荐文章于 2024-05-30 19:50:31 发布
最新推荐文章于 2024-05-30 19:50:31 发布
阅读量2.9k 收藏 10
点赞数 1
文章标签： 图神经网络代码
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/weixin_39845461/article/details/111393622
版权
本文深入介绍了图神经网络（GNNs），包括其基本原理、通用图网络框架（GN framework）和更新过程。文章强调了GNNs在处理图结构数据的优势，并探讨了为何在多个领域广泛应用。此外，文章提供了基于DGL库的GCN和GAT算法的代码示例，总结了图神经网络框架的优缺点，并推荐了相关资源。
摘要由CSDN通过智能技术生成

4f76da4f92e57c0dbdd5f8a4debd134c.png

作者：哈工大SCIR博士生 郑博

一、图神经网络介绍

什么是图神经网络

图神经网络(Graph Neural Networks, GNNs)是基于图结构的深度学习方法，近期被广泛应用到各类图像、自然语言处理等任务上。图神经网络作为神经网络扩展，可以处理以图结构表示的数据格式。在图中，每个节点都由本身的特性以及其相邻的节点和关系所定义，网络通过递归地聚合和转换相邻节点的表示向量来计算节点的表示向量。

在论文《Relational inductive biases, deep learning, and graph networks》中，作者定义了通用图网络框架graph networks (GN) framework，概括和扩展了各种图神经网络，并且支持使用简单的模块来构建复杂的结构。GN framework的主要计算单元是GN block，一个图到图的模块，它的输入是一个图，在图结构上进行计算，然后得到同样是图结构的输出。

在GN framework下，一个图可以被定义为一个三元组dfd86a3d00a15a1afadd3da625daa43f.png，c25e06164447cae740debc833bdf9316.png是图的一个全局表示，f7dbdbcd7ea18fb78fc79a5ad29db597.png代表图中100aed53497fbd26f0dfef5f0b96a12e.png个节点的集合，1b84c2f6f9e46bf43b217580d48a6314.png为节点i的表示，a577e39a299564ee7563f5277bdfede6.png表示图中d98e6a6100523dba1ecc16a55354a4d3.png条边的集合，f8827aa534fbe36b8c71194b150216f4.png为边的表示，19671a211a12631f7af6714e69805931.png和02989034d3fc9b3ddcfd57e917bdd2cc.png分别代表边的接收节点和发送节点。 

每一个GN block包含三个更新函数6bf704364337123be3000f90f95a34e2.png，以及三个聚合函数b3bc90b0975886cd6787ba4ec8b356ba.png：

ebe86c499dc969b290710fb50bc9e728.png

上式中c5b534824d45a7477d4e990f400f4333.png，fc793d87954b0e94d712ffe078b6bb8d.png，27152f677f2e6d6a71011bd7efbbb8ec.png。

其中6acfa5524f0f4b3b4bfc352e0177e9da.png应用于图中每条边的更新，4284ca0c9362f579972755e6e996ea87.png应用于图中每个节点的更新，19487dcaa636664f9b5db2647d7a5259.png则用来更新图的全局表示；b3bc90b0975886cd6787ba4ec8b356ba.png函数将输入的表示集合整合为一个表示，该函数设计为可以接收任意大小的集合输入，通常可以为加和、平均值或者最大值等不限输入个数的操作。

当一个GN block得到一个图85b9ac1a84afeaa824587fbd0d84b154.png的输入时，计算通常从边到节点，再到全局进行。下图给出了一个GN block的更新过程。

73735e63bc1b6167f4cbf9894361c0f0.png

图1 一个GN block的更新过程

一个GN block的计算可以被描述为如下几步：

1. 6acfa5524f0f4b3b4bfc352e0177e9da.png更新每一条边，输入参数为边表示f8827aa534fbe36b8c71194b150216f4.png，接收和发送节点的表示

最低0.47元/天 解锁文章
weixin_39845461
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图神经网络代码_图神经网络：The Graph Neural Network Model
weixin_39860757的博客
11-23 2533
图神经网络（GNN）最近很火，很多自然语言的论文都用上了GNN网络。正好凑空学习一下关于GNN网络的知识。对于不熟悉GNN的朋友，可以先看[1]，沿着图神经网络的历史脉络，介绍了经典的图神经网络模型。这篇文章的主要目的是结合python代码来讲解Graph Neural Network Model如何实现，代码主要参考[2]。1、论文内容简介图神经网络最早的概念应该起源于以下两篇论文。Graphi...
图神经网络代码_【CVPR 2020】图神经网络（GNN）论文和代码汇总
weixin_39888180的博客
12-18 1161
点击上方，选择星标或置顶，不定期资源大放送！阅读大概需要5分钟Follow小博主，每天更新前沿干货【导读】本届CVPR共收到了6656篇有效投稿，接收1470篇，其接受率在逐年下降，今年接受率仅为22%。本文为大家整理了CVPR 2020 图神经网络(GNN)相关的比较有意思的值得阅读的10篇论文，供大家参考—分别是：点云分析、视频描述生成、轨迹预测、场景图生成、视频理解、3D语义分割、...
图神经网络的初认识及代码
03-02
图神经网络的初认识及代码
【PyG】图神经网络GCN代码自学
qq_42859088的博客
05-10 6916
GCN代码分析自学 Data cora.cites如下图所示： content表示每个点的内容,第一列为序号，最后一列为所属类型。 utils.py load_data()函数 def load_data(path=os.path.join(os.getcwd(),'pygcn','data','cora'), dataset="cora"): """Load citation network dataset (cora only for
图神经网络：GraphSAGE源代码完全解读（tensorflow）
最新发布
2401_85325519的博客
05-30 696
PPI是指两种或以上的蛋白质结合的过程，如果两个蛋白质共同参与一个生命过程或者协同完成某一功能，都被看作这两个蛋白质之间存在相互作用。多个蛋白质之间的复杂的相互作用关系可以用PPI网络来描述。下面从作者代码开始看数据源，作者在main中load_data读取数据源，其中FLAGS.train_prefix为./example_data/ppi看一下G_data的nodes属性...]图中一共包含56944个节点，每个节点的属性包括idtestval。
图神经网络构建代码
03-04
# GPF ## 一、GPF（Graph Processing Flow）：利用图神经网络处理问题的一般化流程 1、图节点预表示：利用NE框架，直接获得全图每个节点的Embedding; 2、正负样本采样：（1）单节点样本；（2）节点对样本； 3、抽取封闭子图：可做类化处理，建立一种通用图数据结构; 4、子图特征融合：预表示、节点特征、全局特征、边特征; 5、网络配置：可以是图输入、图输出的网络；也可以是图输入，分类/聚类结果输出的网络; 6、训练和测试; ## 二、主要文件： 1、graph.py：读入图数据; 2、embeddings.py：预表示学习; 3、sample.py：采样; 4、subgraphs.py/s2vGraph.py：抽取子图; 5、batchgraph.py：子图特征融合; 6、classifier.py：网络配置; 7、parameters.py/until.py:参数配置/帮助文件; ## 三、使用 1、在parameters.py中配置相关参数（可默认）； 2、在example/文件夹中运行相应的案例文件--包括链接预测、节点状态预测； 以链接预测为例： ### 1、导入配置参数 ```from parameters import parser, cmd_embed, cmd_opt``` ### 2、参数转换 ``` args = parser.parse_args() args.cuda = not args.noCuda and torch.cuda.is_available() torch.manual_seed(args.seed) if args.cuda: torch.cuda.manual_seed(args.seed) if args.hop != 'auto': args.hop = int(args.hop) if args.maxNodesPerHop is not None: args.maxNodesPerHop = int(args.maxNodesPerHop) ``` ### 3、读取数据 ``` g = graph.Graph() g.read_edgelist(filename=args.dataName, weighted=args.weighted, directed=args.directed) g.read_node_status(filename=args.labelName) ``` ### 4、获取全图节点的Embedding ``` embed_args = cmd_embed.parse_args() embeddings = embeddings.learn_embeddings(g, embed_args) node_information = embeddings #print node_information ``` ### 5、正负节点采样 ``` train, train_status, test, test_status = sample.sample_single(g, args.testRatio, max_train_num=args.maxTrainNum) ``` ### 6、抽取节点对的封闭子图 ``` net = until.nxG_to_mat(g) #print net train_graphs, test_graphs, max_n_label = subgraphs.singleSubgraphs(net, train, train_status, test, test_status, args.hop, args.maxNodesPerHop, node_information) print('# train: %d, # test: %d' % (len(train_graphs), len(test_graphs))) ``` ### 7、加载网络模型，并在classifier中配置相关参数 ``` cmd_args = cmd_opt.parse_args() cmd_args.feat_dim = max_n_label + 1 cmd_args.attr_dim = node_information.shape[1] cmd_args.latent_dim = [int(x) for x in cmd_args.latent_dim.split('-')] if len(cmd_args.latent_dim) == 1: cmd_args.latent_dim = cmd_args.latent_dim[0] model = classifier.Classifier(cmd_args) optimizer = optim.Adam(model.parameters(), lr=args.learningRate) ``` ### 8、训练和测试 ``` train_idxes = list(range(len(train_graphs))) best_loss = None for epoch in range(args.num_epochs): random.shuffle(train_idxes) model.train() avg_loss = loop_dataset(train_graphs, model, train_idxes, cmd_args.batch_size, optimizer=optimizer) print('\033[92maverage training of epoch %d: loss %.5f acc %.5f auc %.5f\033[0m' % (epoch, avg_loss[0], avg_loss[1], avg_loss[2])) model.eval() test_loss = loop_dataset(test_graphs, model, list(range(len(test_graphs))), cmd_args.batch_size) print('\033[93maverage test of epoch %d: loss %.5f acc %.5f auc %.5f\033[0m' % (epoch, test_loss[0], test_loss[1], test_loss[2])) ``` ### 9、运行结果 ``` average test of epoch 0: loss 0.62392 acc 0.71462 auc 0.72314 loss: 0.51711 acc: 0.80000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 10.09batch/s] average training of epoch 1: loss 0.54414 acc 0.76895 auc 0.77751 loss: 0.37699 acc: 0.79167: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 34.07batch/s] average test of epoch 1: loss 0.51981 acc 0.78538 auc 0.79709 loss: 0.43700 acc: 0.84000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.64batch/s] average training of epoch 2: loss 0.49896 acc 0.79184 auc 0.82246 loss: 0.63594 acc: 0.66667: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 2: loss 0.48979 acc 0.79481 auc 0.83416 loss: 0.57502 acc: 0.76000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.70batch/s] average training of epoch 3: loss 0.50005 acc 0.77447 auc 0.79622 loss: 0.38903 acc: 0.75000: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 34.03batch/s] average test of epoch 3: loss 0.41463 acc 0.81132 auc 0.86523 loss: 0.54336 acc: 0.76000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.57batch/s] average training of epoch 4: loss 0.44815 acc 0.81711 auc 0.84530 loss: 0.44784 acc: 0.70833: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 4: loss 0.48319 acc 0.81368 auc 0.84454 loss: 0.36999 acc: 0.88000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 10.17batch/s] average training of epoch 5: loss 0.39647 acc 0.84184 auc 0.89236 loss: 0.15548 acc: 0.95833: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 5: loss 0.30881 acc 0.89623 auc 0.95132 ```
图神经网络（一）—GraphSAGE-pytorch版本代码详解
weixin_44027006的博客
05-16 1万+
GraphSAGE代码详解-pytorch版本1. GraphSAGE导入2. 代码解析2.1 加载数据2.2 Unsupervised Loss2.3 Models2.4 评估与模型使用2.5 Main参考资料 1. GraphSAGE导入 论文标题：Inductive Representation Learning on Large Graphs 作者：William L. Hamilton, Rex Ying and Jure Leskovec 在GraphSAGE之前提出的图神经网络方法，如
图神经网络（四）图分类（4）图分类实战完整代码
weixin_43360025的博客
05-07 2124
图神经网络（四）图分类（4）图分类实战完整代码完整代码代码说明SetUp功能函数定义D&D数据Model定义GraphConvolutionReadOut实现基于自注意力机制的池化层模型一：SAGPool Global Model模型二：SAGPool Hierarchical Model训练&测试运行结果 完整代码 代码说明 这里使用Jupyter Notebook来完成代码的实现，只需导包然后按照步骤运行即可。 SetUp !pip install --verbose --no-cac
一文读懂卷积神经网络(CNN)
06-26
卷积神经网络（CNN）是深度学习领域中的一个重要模型，尤其在图像处理和计算机视觉任务中表现出色。CNN的设计灵感来源于生物神经科学，尤其是视觉皮层的结构，它通过局部感知野和权值共享来降低参数数量，提高计算...
一文读懂卷积神经网络.docx
12-17
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，广泛应用于计算机视觉领域，如图像分类、目标检测、图像分割等任务。它借鉴了生物视觉系统中神经元对局部特征敏感的特性，由Hubel和...
一文读懂卷积神经网络.pdf
12-17
【卷积神经网络（CNN）】是深度学习领域中一种重要的图像处理模型，起源于20世纪60年代的研究，灵感来源于生物神经元结构。CNN的主要特点是局部连接、权值共享和池化操作，这些特性使其在处理图像数据时表现出色，...
一文读懂卷积神经网络CNN.docx
12-17
卷积神经网络（CNN，Convolutional Neural Networks）是深度学习领域中的一种核心模型，尤其在图像识别、计算机视觉和自然语言处理等任务上表现出色。CNN的设计灵感来源于生物视觉系统，尤其是Hubel和Wiesel两位科学...
一文读懂卷积神经网络CNN.doc
10-20
卷积神经网络 CNN 详解 卷积神经网络（Convolutional Neural Network，CNN）是一种高效的图像识别方法，近年来发展起来，并引起了广泛的重视。CNN 的基本结构包括两层：特征提取层和特征映射层。特征提取层的每个...
在图上发送消息的神经网络MPNN简介和代码实现
deephub
10-11 8240
欢迎来到图神经网络的世界，在这里我们在图上构建深度学习模型。你可以认为这很简单。毕竟，我们难道不能重用使用正常数据的模型吗? 其实不是。在图中所有的数据点(节点)是相互连接的。这意味着数据不再是独立的，这使得大多数标准的机器学习模型毫无用处，因为它们的推导都强烈地基于这个假设。为了克服这个问题，可以从图中提取数字数据，或者使用直接对这类数据进行操作的模型。 创建直接在图上工作的模型更为理想，因为我们可以获得更多关于图的结构和属性的信息。在本文中，我们将研究一种专门为此类数据设计的架构，即消息传递神经网络(
图神经网络（GNN）最简单全面原理与代码实现
hellozhxy的博客
01-11 5852
图数据是由节点（Node）和边（Edge）组成的数据，最简单的方式是使用邻接矩阵来表示图形结构，从而捕捉图形中的节点和边的相关性。假设图中的节点数为n，那么邻接矩阵就是一个n*n的矩阵，如果节点之间有关联，则在邻接矩阵中表示为1，无关联则为0。在图中，鲁班与其他英雄都没有关联，表现在邻接矩阵当中就是它所在的行与列为全零。王者荣耀当中的图和邻接矩阵图数据的信息包含3个层面，分别是节点信息（V）、边信息（E）、图整体（U）信息，它们通常是用向量来表示。
图神经网络代码_2020ICML关于图神经网络
weixin_39853590的博客
12-18 243
插播一条广告：图数据一直就是机器学习领域里最重要的数据结构。与图像数据和文本数据相比，神经网络在图数据上的大规模应用最近几年才大量出现，然而已经呈现出井喷的趋势，在学术界和工业界都产生了巨大的影响。想要系统掌握的话，不仅要知道原理，更要懂得代码细节，以及亲手实战具体项目，了解近年来来一系列模型的发展脉络。想要全面地学习这些知识点的话，可以学习 bienlearn 上的图神经网络专栏。这个图神经网络...
图神经网络入门：GCN论文+源码超级详细注释讲解！
热门推荐
ZJF的博客
04-25 3万+
本文参考了这篇文章：https://blog.csdn.net/weixin_36474809/article/details/89379727侵删 这篇文章的代码非常经典，很值得学习，如有错误请指正 utils.py import numpy as np import scipy.sparse as sp import torch ''' 先将所有由字符串表示的标签数组用set保存，set的重...
图神经网络代码_图系列|ACL2020五篇与图神经网络GNN相关的论文汇总
weixin_39736606的博客
12-18 293
​本文回顾ACL2020与图神经网络相关的五篇论文，主要的内容涉及摘要提取，问题生成，情感分析，假新闻检测，以及法律条款的区分。希望能够给你的科研和工作带来一些帮助，如果你觉得有用，欢迎收藏与转发。以下是本文回顾的论文列表，其中多个工作相关的代码已经公开，相关研究方向的同学可以下载下来，运行一波，看看论文，代码以及自己的理解有没有什么问题。用于提取式文档摘要的异构图神经网络Heterogeneou...
图神经网络GraphSAGE代码详解
王先森的博客
09-05 3872
图神经网络GraphSAGE代码详解1. 前言2. 代码下载3. 数据集分析4. 代码分析4. 1 model.py4. 2 aggregators.py4. 3 encoders.py5 总结 1. 前言 最近在学习图神经网络相关知识，对于直推式的图神经网络，训练代价昂贵，这篇文章主要是介绍一个基于归纳学习的框架GraphSAGE的代码，旨在训练一个聚合函数，为看不见的节点（新的节点）生成嵌入。因为自己也是小白，写这篇文章的目的也是为了增强自己对该算法的理解和记忆，由于下载下来的代码没有注释，我会尽可能的
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
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