构建自己的图数据集

代码:

import warnings
warnings.filterwarnings("ignore")
import torch
from torch_geometric.data import Data

x = torch.tensor([[2,1],[5,6],[3,7],[12,0]],dtype=torch.float)
y = torch.tensor([0,1,0,1],dtype=torch.float)

#定义边
edge_index = torch.tensor([[0,1,2,0,3], #起始点
                           [1,0,1,3,2]],dtype=torch.long) #终止点


data = Data(x=x,edge_index=edge_index,y=y)
print(data)

TopKPooling流程:

对图片进行剪枝操作,选择分低的节点剔除掉,然后再重新组合成一个新的图

图注意力机制与序列图模型:

 

序列图神经网络(GNN)

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
构建自己的数据集并进行训练,你可以按照以下步骤进行操作: 1. 定义的结构:确定的节点和边的类型以及它们之间的关系。这可以根据你的应用场景和需求来进行定义。 2. 收集数据:收集与你定义的结构相关的数据。这可以包括节点属性、边属性和关系等信息。你可以从公开数据集、API、爬虫等渠道获取数据。 3. 数据预处理:对收集到的数据进行预处理,以准备用于训练。这可能涉及清洗、转换、标准化和编码等步骤,以确保数据的一致性和适用性。 4. 创建训练集和测试集:根据你的需求,将数据划分为训练集和测试集。通常,大部分数据将用于训练模型,而小部分数据将用于评估模型的性能。 5. 特征工程:根据你的需求,可以对数据进行特征工程处理,以提取更有用的特征供模型使用。这可能包括基于节点属性或边属性的特征提取,例如嵌入、神经网络等。 6. 构建模型:选择适当的神经网络模型来训练你的数据集。常见的模型包括Graph Convolutional Networks (GCN)、Graph Attention Networks (GAT)等。 7. 模型训练:使用训练集对你的模型进行训练。通常,这涉及到定义损失函数和优化器,并迭代地对模型进行训练。 8. 模型评估:使用测试集对训练好的模型进行评估。评估指标可以根据你的任务而定,例如准确率、召回率、F1值等。 9. 模型优化:根据评估结果,可以对模型进行优化和调整。这可能涉及调整超参数、改进特征工程、增加训练数据等操作。 10. 预测和应用:使用训练好的模型进行预测和应用。这可以包括对新数据进行预测、节点分类、边预测、生成等任务。 请注意,以上步骤是一个基本框架,具体的实施方法会根据你的具体需求和数据特点而有所差异。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

几两春秋梦_

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
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