wordpress网站做h5分类,企业网站 建设 外包,北京公积金网址,做可视化的网站为了使用你提到的封装方式来创建一个包含多个 Data 对象的列表并使用 DataLoader 来加载这些数据#xff0c;我们可以按照以下步骤进行#xff1a;
创建数据#xff1a;生成节点特征矩阵、边索引矩阵和标签。封装数据#xff1a;使用 Data 对象将这些数据封装起来。使用 D…为了使用你提到的封装方式来创建一个包含多个 Data 对象的列表并使用 DataLoader 来加载这些数据我们可以按照以下步骤进行
创建数据生成节点特征矩阵、边索引矩阵和标签。封装数据使用 Data 对象将这些数据封装起来。使用 DataLoader确保批次数据的形状符合期望。
具体步骤
1. 创建数据
首先我们创建节点特征矩阵、边索引矩阵和标签数据。
import torch
from torch_geometric.data import Data
from torch_geometric.loader import DenseDataLoader # 更新导入路径# 参数设置
num_samples 100 # 样本数
num_nodes 10 # 每个图中的节点数
num_node_features 8 # 每个节点的特征数# 生成数据
features [torch.randn((num_nodes, num_node_features)) for _ in range(num_samples)]
labels [torch.randn((num_nodes, 1)) for _ in range(num_samples)]
adj_matrix torch.zeros((num_nodes, num_nodes), dtypetorch.float)
for i in range(num_nodes):adj_matrix[i, (i 1) % num_nodes] 1adj_matrix[(i 1) % num_nodes, i] 1
print(adj_matrix)2. 封装数据
使用 Data 对象将每个样本的数据封装起来。
data_list [Data(xfeatures[i], adjadj_matrix, ylabels[i]) for i in range(num_samples)]3. 使用 DataLoader
# 创建 DataLoader
loader DenseDataLoader(data_list, batch_size32, shuffleTrue)# 从 DenseDataLoader 中获取一个批次的数据并查看其形状
for data in loader:print(Batch node features shape:, data.x.shape) # 期望输出形状为 (32, 10, 8)print(Batch adjacency matrix shape:, data.adj.shape) # 期望输出形状为 (32, 10, 10)print(Batch labels shape:, data.y.shape) # 期望输出形状为 (32, 10, 1)break # 仅查看第一个批次的形状总结
生成数据我们生成了包含节点特征、边索引和标签的样本数据。封装数据我们使用 Data 对象将每个样本的数据封装起来。
完整代码
import torch
from torch_geometric.data import Data
from torch_geometric.loader import DenseDataLoader # 更新导入路径# 参数设置
num_samples 100 # 样本数
num_nodes 10 # 每个图中的节点数
num_node_features 8 # 每个节点的特征数# 生成数据
features [torch.randn((num_nodes, num_node_features)) for _ in range(num_samples)]
labels [torch.randn((num_nodes, 1)) for _ in range(num_samples)]
adj_matrix torch.zeros((num_nodes, num_nodes), dtypetorch.float)
for i in range(num_nodes):adj_matrix[i, (i 1) % num_nodes] 1adj_matrix[(i 1) % num_nodes, i] 1
print(adj_matrix)data_list [Data(xfeatures[i], adjadj_matrix, ylabels[i]) for i in range(num_samples)]# 创建 DataLoader
loader DenseDataLoader(data_list, batch_size32, shuffleTrue)# 从 DenseDataLoader 中获取一个批次的数据并查看其形状
for data in loader:print(Batch node features shape:, data.x.shape) # 期望输出形状为 (32, 10, 8)print(Batch adjacency matrix shape:, data.adj.shape) # 期望输出形状为 (32, 10, 10)print(Batch labels shape:, data.y.shape) # 期望输出形状为 (32, 10, 1)break # 仅查看第一个批次的形状
