威海住房和城乡建设局网站首页,网站建设制作经验足,手机访问网站建设中,营销软件排名图神经网络
安装Pyg
首先安装torch_geometric需要安装pytorch然后查看一下自己电脑Pytorch的版本
import torch
print(torch.__version__)
#1.12.0cu113然后进入官网文档网站
链接: https://pytorch-geometric.readthedocs.io/en/latest/install/installation.html 安装自己…图神经网络
安装Pyg
首先安装torch_geometric需要安装pytorch然后查看一下自己电脑Pytorch的版本
import torch
print(torch.__version__)
#1.12.0cu113然后进入官网文档网站
链接: https://pytorch-geometric.readthedocs.io/en/latest/install/installation.html 安装自己的版本选择安装命令我python用的稳定的3.8版本。如果安装失败可以考虑降低python的版本 因为我之前安装过所以显示如下
图信号数据集初入门
本次入门选用Karateclub数据集 这个数据集讲诉的是一个空手道俱乐部之间人和人的关系每个节点代表一个人说俱乐部的两个教练吵架了要每一个节点所代表的人进行站队通过图信号预测。 首先读取数据集
from torch_geometric.datasets import KarateClubdataset KarateClub()
print(fNumber of graphs:{len(dataset)})
print(fNumber of features:{dataset.num_features})
print(fNumber of classes:{dataset.num_classes})
#Number of graphs:1
#Number of features:34
#Number of classes:4可以看到只有一张图每个节点有34个特征每个特征代表的应该是每一个会员的信息分成四类我们可以暂时理解成跟了教练A的跟了教练B的换了一个新教练的和退出俱乐部的这四类。
然后我们将这个图打出来进行观察可以看到节点是分成了四类
import matplotlib.pyplot as plt
from torch_geometric.datasets import KarateClub
from torch_geometric.utils import to_networkx
import networkx as nxdataset KarateClub()
print(fDataset{dataset})
print(fNumber of graphs:{len(dataset)})
print(fNumber of features:{dataset.num_features})
print(fNumber of classes:{dataset.num_classes})def visualize_graph(G,color):plt.figure(figsize(7,7))plt.xticks([])plt.yticks([])nx.draw_networkx(G,pos nx.spring_layout(G,seed 42),with_labelsFalse,node_colorcolor,cmapSet2)plt.savefig(net.jpg)plt.show()data dataset[0]
print(data)
G to_networkx(data,to_undirectedTrue)
visualize_graph(G,colordata.y) 然后我们观察一个图的数据可以观察到一共有34个节点每个节点有34个数据一共有156条边
from torch_geometric.datasets import KarateClubdataset KarateClub()
data dataset[0]
print(data)
#Data(x[34, 34], edge_index[2, 156], y[34], train_mask[34])训练代码
接下来使用pyg进行训练
import torch
from torch.nn import Linear
from torch_geometric.nn import GCNConv
from torch_geometric.datasets import KarateClub
import matplotlib.pyplot as pltdataset KarateClub()
data dataset[0]def visualize_embedding(h,color,epochNone,lossNone):global iplt.figure(figsize(7,7))plt.xticks([])plt.yticks([])h h.detach().cpu().numpy()plt.scatter(h[:,0],h[:,1],s140,ccolor,cmapSet2)if epoch is not None and loss is not None:plt.xlabel(fEpoch:{epoch},Loss: {loss.item():.4f},fontsize 16,)plt.show()class GCN(torch.nn.Module):def __init__(self):super().__init__()torch.manual_seed(1234)self.conv1 GCNConv(dataset.num_features,4)self.conv2 GCNConv(4,4)self.conv3 GCNConv(4,2)self.classifier Linear(2,dataset.num_classes)def forward(self,x,edge_index):h self.conv1(x,edge_index)h h.tanh()h self.conv2(h,edge_index)h h.tanh()h self.conv3(h,edge_index)h h.tanh()out self.classifier(h)# return F.softmax(out,dim1),hreturn out,hmodel GCN()
criterion torch.nn.CrossEntropyLoss()
optimizer torch.optim.Adam(model.parameters(), lr0.01)loss_list []def train(data):optimizer.zero_grad()out, h model(data.x, data.edge_index)loss criterion(out[data.train_mask], data.y[data.train_mask])loss.backward()loss_list.append(loss.item())optimizer.step()return loss, hfor epoch in range(401):loss, h train(data)if epoch % 10 1:visualize_embedding(h, colordata.y, epochepoch, lossloss)plt.plot(loss_list)
plt.show()
损失曲线如下
训练集可视化动图如下 