利用torch_geometric运行gcn

最新推荐文章于 2024-08-17 15:18:57 发布
最新推荐文章于 2024-08-17 15:18:57 发布
阅读量3.2k 收藏 12
点赞数 3
分类专栏： 深度学习
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/zhou_438/article/details/113337954
版权

pytorch出了图计算的工具torch_geometric后，gcn的实现就简单了，直接封装好了

首先需要安装torch_geometric

$ pip install --no-index torch-scatter -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
$ pip install --no-index torch-sparse -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
$ pip install --no-index torch-cluster -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
$ pip install --no-index torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
$ pip install torch-geometric

可以将${CUDA}换成cu110,cu102.cu101

因为我是使用的cuda11.0，因此

$ pip install --no-index torch-scatter -f https://pytorch-geometric.com/whl/torch-1.7.0+cu110.html
$ pip install --no-index torch-sparse -f https://pytorch-geometric.com/whl/torch-1.7.0+cu110.html
$ pip install --no-index torch-cluster -f https://pytorch-geometric.com/whl/torch-1.7.0+cu110.html
$ pip install --no-index torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.7.0+cu110.html
$ pip install torch-geometric

 安装好以后，就可以直接运行了，这里运行的数据集是Cora

数据集直接放到百度盘上，因为默认的地址是github，很容易连接失败

链接：https://pan.baidu.com/s/1mmk2oESN25WdyRKTqgo3sg 
提取码：7pd6 
解压到main.py的路径就行:

├── [  52]  data
│   ├── [  34]  Cora
│   │   ├── [  66]  processed
│   │   │   ├── [ 15M]  data.pt
│   │   │   ├── [ 431]  pre_filter.pt
│   │   │   └── [ 431]  pre_transform.pt
│   │   └── [ 171]  raw
│   │       ├── [251K]  ind.cora.allx
│   │       ├── [ 47K]  ind.cora.ally
│   │       ├── [ 58K]  ind.cora.graph
│   │       ├── [4.9K]  ind.cora.test.index
│   │       ├── [145K]  ind.cora.tx
│   │       ├── [ 27K]  ind.cora.ty
│   │       ├── [ 22K]  ind.cora.x
│   │       └── [4.0K]  ind.cora.y
│   ├── [  34]  ENZYMES
│   │   ├── [  66]  processed
│   │   │   ├── [2.7M]  data.pt
│   │   │   ├── [ 431]  pre_filter.pt
│   │   │   └── [ 431]  pre_transform.pt
│   │   └── [ 178]  raw
│   │       ├── [864K]  ENZYMES_A.txt
│   │       ├── [ 73K]  ENZYMES_graph_indicator.txt
│   │       ├── [1.2K]  ENZYMES_graph_labels.txt
│   │       ├── [3.7M]  ENZYMES_node_attributes.txt
│   │       ├── [ 38K]  ENZYMES_node_labels.txt
│   │       └── [2.5K]  README.txt
│   └── [ 166]  ENZYMES.zip
└── [1.5K]  main.py

现在就可以运行代码了

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

dataset = Planetoid(root='./data', name='Cora')
print(dataset[0].y.shape)
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.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)

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Net().to(device)
data = dataset[0].to(device)
optimizer = torch.optim.Adam([
	dict(params=model.conv1.parameters(), weight_decay=5e-4),
    dict(params=model.conv2.parameters(), weight_decay=0)
    ], lr=0.01)

model.train()
for epoch in range(1000):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()
    if epoch%10==9:
        model.eval()
        logits, accs = model(data), []
        for _, mask in data('train_mask', 'val_mask', 'test_mask'):
            pred = logits[mask].max(1)[1]
            acc = pred.eq(data.y[mask]).sum().item() / mask.sum().item()
            accs.append(acc)
        log = 'Epoch: {:03d}, Train: {:.5f}, Val: {:.5f}, Test: {:.5f}'
        print(log.format(epoch+1, accs[0], accs[1], accs[2]))

运行结果：

torch.Size([2708])
Epoch: 010, Train: 0.97143, Val: 0.68800, Test: 0.72700
Epoch: 020, Train: 0.99286, Val: 0.77200, Test: 0.78000
Epoch: 030, Train: 1.00000, Val: 0.76800, Test: 0.77700
Epoch: 040, Train: 1.00000, Val: 0.76800, Test: 0.77800
Epoch: 050, Train: 1.00000, Val: 0.76800, Test: 0.78600
Epoch: 060, Train: 1.00000, Val: 0.77000, Test: 0.79000
Epoch: 070, Train: 1.00000, Val: 0.77400, Test: 0.79600
Epoch: 080, Train: 1.00000, Val: 0.77400, Test: 0.79600
Epoch: 090, Train: 1.00000, Val: 0.77400, Test: 0.79500
Epoch: 100, Train: 1.00000, Val: 0.77400, Test: 0.79400
Epoch: 110, Train: 1.00000, Val: 0.77200, Test: 0.79500
Epoch: 120, Train: 1.00000, Val: 0.77000, Test: 0.79500
Epoch: 130, Train: 1.00000, Val: 0.76800, Test: 0.79400
Epoch: 140, Train: 1.00000, Val: 0.76600, Test: 0.79400
Epoch: 150, Train: 1.00000, Val: 0.76400, Test: 0.79700
Epoch: 160, Train: 1.00000, Val: 0.76400, Test: 0.79700
Epoch: 170, Train: 1.00000, Val: 0.76200, Test: 0.80100
Epoch: 180, Train: 1.00000, Val: 0.76400, Test: 0.80200
Epoch: 190, Train: 1.00000, Val: 0.76400, Test: 0.80300
Epoch: 200, Train: 1.00000, Val: 0.76600, Test: 0.80300
Epoch: 210, Train: 1.00000, Val: 0.76600, Test: 0.80400
Epoch: 220, Train: 1.00000, Val: 0.76600, Test: 0.80400
Epoch: 230, Train: 1.00000, Val: 0.76400, Test: 0.80400
Epoch: 240, Train: 1.00000, Val: 0.76600, Test: 0.80400
Epoch: 250, Train: 1.00000, Val: 0.76000, Test: 0.80400
Epoch: 260, Train: 1.00000, Val: 0.76200, Test: 0.80500
Epoch: 270, Train: 1.00000, Val: 0.76600, Test: 0.80700
Epoch: 280, Train: 1.00000, Val: 0.76800, Test: 0.80500
Epoch: 290, Train: 1.00000, Val: 0.77000, Test: 0.80500
Epoch: 300, Train: 1.00000, Val: 0.77000, Test: 0.80500
Epoch: 310, Train: 1.00000, Val: 0.77200, Test: 0.80700
Epoch: 320, Train: 1.00000, Val: 0.77400, Test: 0.80400
Epoch: 330, Train: 1.00000, Val: 0.77400, Test: 0.80400
Epoch: 340, Train: 1.00000, Val: 0.77400, Test: 0.80400
Epoch: 350, Train: 1.00000, Val: 0.77400, Test: 0.80600
Epoch: 360, Train: 1.00000, Val: 0.77400, Test: 0.80700
Epoch: 370, Train: 1.00000, Val: 0.77400, Test: 0.80600
Epoch: 380, Train: 1.00000, Val: 0.77600, Test: 0.80700
Epoch: 390, Train: 1.00000, Val: 0.77600, Test: 0.80600
Epoch: 400, Train: 1.00000, Val: 0.77400, Test: 0.80600
Epoch: 410, Train: 1.00000, Val: 0.77400, Test: 0.80600
Epoch: 420, Train: 1.00000, Val: 0.77400, Test: 0.80700
Epoch: 430, Train: 1.00000, Val: 0.77400, Test: 0.80800
Epoch: 440, Train: 1.00000, Val: 0.77600, Test: 0.80800
Epoch: 450, Train: 1.00000, Val: 0.77600, Test: 0.80800
Epoch: 460, Train: 1.00000, Val: 0.77400, Test: 0.80800
Epoch: 470, Train: 1.00000, Val: 0.77600, Test: 0.80800
Epoch: 480, Train: 1.00000, Val: 0.77400, Test: 0.80900
Epoch: 490, Train: 1.00000, Val: 0.77600, Test: 0.80900
Epoch: 500, Train: 1.00000, Val: 0.77600, Test: 0.81000
Epoch: 510, Train: 1.00000, Val: 0.77600, Test: 0.81000
Epoch: 520, Train: 1.00000, Val: 0.77400, Test: 0.81200
Epoch: 530, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 540, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 550, Train: 1.00000, Val: 0.77600, Test: 0.81100
Epoch: 560, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 570, Train: 1.00000, Val: 0.77600, Test: 0.81100
Epoch: 580, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 590, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 600, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 610, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 620, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 630, Train: 1.00000, Val: 0.77600, Test: 0.81200
Epoch: 640, Train: 1.00000, Val: 0.77600, Test: 0.81400
Epoch: 650, Train: 1.00000, Val: 0.77600, Test: 0.81400
Epoch: 660, Train: 1.00000, Val: 0.77600, Test: 0.81300
Epoch: 670, Train: 1.00000, Val: 0.77600, Test: 0.81300
Epoch: 680, Train: 1.00000, Val: 0.77600, Test: 0.81300
Epoch: 690, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 700, Train: 1.00000, Val: 0.77600, Test: 0.81300
Epoch: 710, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 720, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 730, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 740, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 750, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 760, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 770, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 780, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 790, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 800, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 810, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 820, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 830, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 840, Train: 1.00000, Val: 0.77800, Test: 0.81200
Epoch: 850, Train: 1.00000, Val: 0.77800, Test: 0.81300
Epoch: 860, Train: 1.00000, Val: 0.77800, Test: 0.81200
Epoch: 870, Train: 1.00000, Val: 0.77800, Test: 0.81200
Epoch: 880, Train: 1.00000, Val: 0.77800, Test: 0.81200
Epoch: 890, Train: 1.00000, Val: 0.77800, Test: 0.81200
Epoch: 900, Train: 1.00000, Val: 0.77800, Test: 0.81200
Epoch: 910, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 920, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 930, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 940, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 950, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 960, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 970, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 980, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 990, Train: 1.00000, Val: 0.77800, Test: 0.81100
Epoch: 1000, Train: 1.00000, Val: 0.77800, Test: 0.81100

注意：代码是参考的https://github.com/rusty1s/pytorch_geometric/tree/master/examples

喝粥也会胖的唐僧
关注
专栏目录
【GCN测试代码】torch_geometric 测试代码 | 人工智能 面试题：请介绍一下半监督学习中的生成模型方法及其原理。| 生成对抗网络GAN，变分自编码器VAE
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
12-21 238
【GCN测试代码】torch_geometric 测试代码 | 人工智能 面试题：请介绍一下半监督学习中的生成模型方法及其原理。
GCN学习：Pytorch-Geometric教程（一）
StarfishCu的博客
09-28 5353
基本图变量 PyG中的基本图变量为torch_geometric.data.Data,具有以下参数： data.x: Node feature matrix with shape [num_nodes, num_node_features] data.edge_index: Graph connectivity in COO format with shape [2, num_edges] and type torch.long data.edge_attr: Edge feature matrix w
node classification：基于torch_geometric（PyG）框架搭建简单GCN网络对Cora数据集进行训练测试
qq_38432089的博客
12-28 2006
参考文章： GNN的第一个简单案例：Cora分类 PyG文档之二：快速入门 1、Cora数据集 （1）GNN常用的数据集：https://linqs.soe.ucsc.edu/data） （2）Cora数据集是GNN中的一个经典数据集，相当于mnist数据集在CNN中的地位。该数据集是机器学习论文之间的引用网络，共有2708篇论文（即：节点数量）、7类论文（即：节点类别数）、5429条边，每个节点有1433个特征。 2、torch_geometric框架（PyG） 参考官方文档：https://pytor
【torch_geometric】（三）构建图神经网络
最新发布
qq_41693168的博客
08-17 353
（这个服务器好就好在里面的一般常用的包都是配置好的，所以这里我只需要Install torch_geometric就可以用啦）2、参数定义：root和result_df_path，对应的文件夹分别是“data(local)”、“comment_df_embedding_18063.pkl”（这个是直接写的py文件，方式二里我是在jupyter notebook中写的，所以传参的方式会不太一样）但是这里还有一个问题，我的数据是在content文件下的，这个文件点进去貌似只有上传的功能，没有下载？
【代码解读】torch_geometric.nn.GCNConv
weixin_42726068的博客
06-13 1227
cached_edge_index 和 _cached_adj_t 是用于缓存边索引和邻接矩阵的变量，防止在每次前向传播时重复计算。dtype):passdtype):pass通过 @torch.jit._overload 装饰器，定义了两个重载函数的签名，支持不同类型的 edge_index 输入。
【torch_geometric】图介绍及GCN基本用法（上）
qq_41693168的博客
12-19 2474
图由顶点（Vertex）以及连接顶点的边（Edge）构成。顶点表示研究的对象，边表示两个对象之间特定的关系。图可以表示为顶点和边的集合，记为G=(V, E)，其中V是顶点集合，E是边集合。图又分为有向图和无向图；非加权图和加权图；连通图和非连通图（看是否有孤立的点）等。可以自行看官方文档from torch.nn import Linear #线性层from torch_geometric.nn import GCNConv #卷积层这个过程非常简单，和之前定义MLP网络很像。
Torch geometric GCNConv 源码分析
Glimmer
12-03 1万+
Torch geometric GCNConv 源码分析公式向量形式矩阵形式GCNConv源码初始化initforwardmessageupdate参考文档 公式 向量形式 xi(k)=∑j∈N(i)∪{i}1deg⁡(i)⋅deg(j)⋅(Θ⋅xj(k−1)), \mathbf{x}_i^{(k)} = \sum_{j \in \mathcal{N}(i) \cup \{ i \}} \frac...
PyTorch Geometric(PyG) torch_geometric.nn.conv.gcn_conv源码详解
yrwang_xd的博客
05-14 4180
这个类继承自MessagePassing也就是Convolutional Layers import torch from torch.nn import Parameter from torch_scatter import scatter_add from torch_geometric.nn.conv import MessagePassing from torch_geometric.utils import add_remaining_self_loops from ..inits import
torch_geometric
mfccc的博客
06-16 2294
https://pytorch-geometric.readthedocs.io/en/latest/modules/nn.html#torch_geometric.nn.conv.SAGEConv torch_geometric.utils 1.1 1.2 to_dense_batch 这里的to_dense_batch 不是把X变得更稀疏了吗？ X∈RB×Nmax⁡×F\mathbf{X} \in \mathbb{R}^{B \times N_{\max} \times F}X∈RB×Nmax​×F
GNN包torch_geometric使用 2021-09-02
qq_36243169的博客
09-02 2089
torch_geometric包是一个进行GNN实现的非常方便的包，官网是 https://pytorch-geometric.readthedocs.io/en/latest/notes/introduction.html 数据集格式 使用的数据集的格式如下例所示： >>> import torch >>> from torch_geometric.data import Data >>> edge_index = torch.tensor([[0,
torch_geometric GCN
07-29
GCN (Graph Convolutional Networks) 是一种用于图数据的深度学习模型，而 torch_geometric 是一个基于 PyTorch 的图神经网络库，提供了实现 GCN 的工具和函数。 要使用 torch_geometric 实现 GCN，首先需要安装 ...
Python-PyTorch实现的ClusterGCN一种用于训练深度和大型图形卷积网络的高效算法
08-11
A PyTorch implementation of "Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks" (KDD 2019).
【代码解读】torch_geometric.nn.RGCNConv
weixin_42726068的博客
07-04 663
x_l = x[0]else:x_l = xx_r = x[1]x_l 表示源节点特征，如果 x 是元组，则取第一个元素，否则直接赋值为 x。如果 x_l 为 None，则生成一个范围在 0 到 self.in_channels_l - 1 的张量。x_r 表示目标节点特征，如果 x 是元组，则取第二个元素，否则直接赋值为 x_l。
pytorch geometric教程二 GCN源码详解+实战
weixin_39925939的博客
11-18 4744
pytorch geometric教程二 GCN代码详解+实战pytorch geometric教程二 GCN代码详解&实战原理回顾矩阵形式点维度GCN代码（GCNConv）__init__邻域聚合方式参数含义forward参数forward主体消息传递一，edge_index为Tensor二，edge_index为SparseTensor实战 pytorch geometric教程二 GCN代码详解&实战 这一篇是建立在你已经对pytorch geometric消息传递&跟新的原理
conv3d源码 pytorch_PyTorch Geometric(PyG) torch_geometric.nn.conv.gcn_conv源码详解
weixin_29213827的博客
01-17 529
import torchfrom torch.nn import Parameterfrom torch_scatter import scatter_addfrom torch_geometric.nn.conv import MessagePassingfrom torch_geometric.utils import add_remaining_self_loopsfrom ..inits ...
小黑代码调试与维度分析:RGCNConv,GraphConv输入输出与公式对应
qq_37418807的博客
03-06 3040
RGCNConv from torch_geometric.nn import RGCNConv,GraphConv import torch.nn as nn import torch num_features = 64 hidden_size = 16 conv1 = RGCNConv(in_channels = num_features,out_channels = hidden_size,num_relations = 3,num_bases = 10) print('RGCNConv模型里的参
PyG搭建GCN实现节点分类（GCNConv参数详解）
热门推荐
KI的博客
03-13 2万+
PyG搭建GCN实现节点分类（GCNConv参数详解）
Torch geometric NNConv 源码分析
Glimmer
12-11 3531
xi′=Θxi+∑j∈N(i)xj⋅hΘ(ei,j), \mathbf{x}^{\prime}_i = \mathbf{\Theta} \mathbf{x}_i + \sum_{j \in \mathcal{N}(i)} \mathbf{x}_j \cdot h_{\mathbf{\Theta}}(\mathbf{e}_{i,j}), xi′​=Θxi​+j∈N(i)∑​xj​⋅hΘ​(ei,j​...
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！！！
评论 3
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