python graphic（Pytorch+PyG实现GraphSAGE）
前言
大家好 ，我是阿光 。
本专栏整理了《图神经网络代码实战》 ，内包含了不同图神经网络的相关代码实现（PyG以及自实现） ，理论与实践相结合 ，如GCN 、GAT 、GraphSAGE等经典图网络 ，每一个代码实例都附带有完整的代码 。
正在更新中~ ✨
🚨 我的项目环境：
平台：Windows10 语言环境：python3.7 编译器：PyCharm PyTorch版本：1.11.0 PyG版本：2.1.0💥 项目专栏：【图神经网络代码实战目录】
本文我们将使用Pytorch + Pytorch Geometric来简易实现一个GraphSAGE ，让新手可以理解如何PyG来搭建一个简易的图网络实例demo 。
一 、导入相关库
本项目我们需要结合两个库 ，一个是Pytorch ，因为还需要按照torch的网络搭建模型进行书写 ，第二个是PyG ，因为在torch中并没有关于图网络层的定义 ，所以需要torch_geometric这个库来定义一些图层 。
import torch import torch.nn.functional as F import torch.nn as nn import torch_geometric.nn as pyg_nn from torch_geometric.datasets import Planetoid二 、加载Cora数据集
本文使用的数据集是比较经典的Cora数据集 ，它是一个根据科学论文之间相互引用关系而构建的Graph数据集合 ，论文分为7类 ，共2708篇 。
Genetic_Algorithms Neural_Networks Probabilistic_Methods Reinforcement_Learning Rule_Learning Theory这个数据集是一个用于图节点分类的任务 ，数据集中只有一张图 ，这张图中含有2708个节点 ，10556条边 ，每个节点的特征维度为1433 。
# 1.加载Cora数据集 dataset = Planetoid(root=./data/Cora, name=Cora)三 、定义GraphSAGE网络
这里我们就不重点介绍GraphSAGE网络了 ，相信大家能够掌握基本原理 ，本文我们使用的是PyG定义网络层 ，在PyG中已经定义好了SAGEConv这个层 ，该层采用的就是GraphSAGE机制 。
对于SAGEConv的常用参数：
in_channels：每个样本的输入维度 ，就是每个节点的特征维度 out_channels：经过注意力机制后映射成的新的维度 ，就是经过GAT后每个节点的维度长度 normalize：是否添加自环 ，并且是否归一化 ，默认为True add_self_loops：为图添加自环 ，是否考虑自身节点的信息 bias：训练一个偏置b # 2.定义GraphSAGE网络 class GraphSAGE(nn.Module): def __init__(self, num_node_features, num_classes): super(GraphSAGE, self).__init__() self.conv1 = pyg_nn.SAGEConv(num_node_features, 16) self.conv2 = pyg_nn.SAGEConv(16, 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)上面网络我们定义了两个SAGEConv层 ，第一层的参数的输入维度就是初始每个节点的特征维度 ，输出维度是16 。
第二个层的输入维度为16 ，输出维度为分类个数 ，因为我们需要对每个节点进行分类 ，最终加上softmax操作 。
四 、定义模型
下面就是定义了一些模型需要的参数 ，像学习率 、迭代次数这些超参数 ，然后是模型的定义以及优化器及损失函数的定义 ，和pytorch定义网络是一样的 。
device = torch.device(cuda if torch.cuda.is_available() else cpu) # 设备 epochs = 200 # 学习轮数 lr = 0.0003 # 学习率 num_node_features = dataset.num_node_features # 每个节点的特征数 num_classes = dataset.num_classes # 每个节点的类别数 data = dataset[0].to(device) # Cora的一张图 # 3.定义模型 model = GraphSAGE(num_node_features, num_classes).to(device) optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 优化器 loss_function = nn.NLLLoss() # 损失函数五 、模型训练
模型训练部分也是和pytorch定义网络一样 ，因为都是需要经过前向传播 、反向传播这些过程 ，对于损失 、精度这些指标可以自己添加 。
# 训练模式 model.train() for epoch in range(epochs): optimizer.zero_grad() pred = model(data) loss = loss_function(pred[data.train_mask], data.y[data.train_mask]) # 损失 correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() # epoch正确分类数目 acc_train = correct_count_train / data.train_mask.sum().item() # epoch训练精度 loss.backward() optimizer.step() if epoch % 20 == 0: print("【EPOCH: 】%s" % str(epoch + 1)) print(训练损失为：{:.4f}.format(loss.item()), 训练精度为：{:.4f}.format(acc_train)) print(【Finished Training！】)六 、模型验证
下面就是模型验证阶段 ，在训练时我们是只使用了训练集 ，测试的时候我们使用的是测试集 ，注意这和传统网络测试不太一样 ，在图像分类一些经典任务中 ，我们是把数据集分成了两份 ，分别是训练集 、测试集 ，但是在Cora这个数据集中并没有这样 ，它区分训练集还是测试集使用的是掩码机制 ，就是定义了一个和节点长度相同纬度的数组 ，该数组的每个位置为True或者False ，标记着是否使用该节点的数据进行训练 。
# 模型验证 model.eval() pred = model(data) # 训练集（使用了掩码） correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() acc_train = correct_count_train / data.train_mask.sum().item() loss_train = loss_function(pred[data.train_mask], data.y[data.train_mask]).item() # 测试集 correct_count_test = pred.argmax(axis=1)[data.test_mask].eq(data.y[data.test_mask]).sum().item() acc_test = correct_count_test / data.test_mask.sum().item() loss_test = loss_function(pred[data.test_mask], data.y[data.test_mask]).item() print(Train Accuracy: {:.4f}.format(acc_train), Train Loss: {:.4f}.format(loss_train)) print(Test Accuracy: {:.4f}.format(acc_test), Test Loss: {:.4f}.format(loss_test))七 、结果
【EPOCH: 】1 训练损失为：1.9547 训练精度为：0.1429 【EPOCH: 】21 训练损失为：1.8378 训练精度为：0.2143 【EPOCH: 】41 训练损失为：1.6961 训练精度为：0.3929 【EPOCH: 】61 训练损失为：1.4987 训练精度为：0.6857 【EPOCH: 】81 训练损失为：1.3121 训练精度为：0.7714 【EPOCH: 】101 训练损失为：1.1580 训练精度为：0.9143 【EPOCH: 】121 训练损失为：0.9903 训练精度为：0.8643 【EPOCH: 】141 训练损失为：0.8326 训练精度为：0.9286 【EPOCH: 】161 训练损失为：0.7429 训练精度为：0.9571 【EPOCH: 】181 训练损失为：0.6505 训练精度为：0.9571 【Finished Training！】 >>>Train Accuracy: 1.0000 Train Loss: 0.4065 >>>Test Accuracy: 0.7060 Test Loss: 1.2712 训练集 测试集 Accuracy 1.0000 0.7060 Loss 0.4065 1.2712完整代码
import torch import torch.nn.functional as F import torch.nn as nn import torch_geometric.nn as pyg_nn from torch_geometric.datasets import Planetoid # 1.加载Cora数据集 dataset = Planetoid(root=./data/Cora, name=Cora) # 2.定义GraphSAGE网络 class GraphSAGE(nn.Module): def __init__(self, num_node_features, num_classes): super(GraphSAGE, self).__init__() self.conv1 = pyg_nn.SAGEConv(num_node_features, 16) self.conv2 = pyg_nn.SAGEConv(16, 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) # 设备 epochs = 200 # 学习轮数 lr = 0.0003 # 学习率 num_node_features = dataset.num_node_features # 每个节点的特征数 num_classes = dataset.num_classes # 每个节点的类别数 data = dataset[0].to(device) # Cora的一张图 # 3.定义模型 model = GraphSAGE(num_node_features, num_classes).to(device) optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 优化器 loss_function = nn.NLLLoss() # 损失函数 # 训练模式 model.train() for epoch in range(epochs): optimizer.zero_grad() pred = model(data) loss = loss_function(pred[data.train_mask], data.y[data.train_mask]) # 损失 correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() # epoch正确分类数目 acc_train = correct_count_train / data.train_mask.sum().item() # epoch训练精度 loss.backward() optimizer.step() if epoch % 20 == 0: print("【EPOCH: 】%s" % str(epoch + 1)) print(训练损失为：{:.4f}.format(loss.item()), 训练精度为：{:.4f}.format(acc_train)) print(【Finished Training！】) # 模型验证 model.eval() pred = model(data) # 训练集（使用了掩码） correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() acc_train = correct_count_train / data.train_mask.sum().item() loss_train = loss_function(pred[data.train_mask], data.y[data.train_mask]).item() # 测试集 correct_count_test = pred.argmax(axis=1)[data.test_mask].eq(data.y[data.test_mask]).sum().item() acc_test = correct_count_test / data.test_mask.sum().item() loss_test = loss_function(pred[data.test_mask], data.y[data.test_mask]).item() print(Train Accuracy: {:.4f}.format(acc_train), Train Loss: {:.4f}.format(loss_train)) print(Test Accuracy: {:.4f}.format(acc_test), Test Loss: {:.4f}.format(loss_test))创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！