北京建设专职查询网站,集群网站开发,百度推广的效果,广州网站vi设计报价Multi-sample Dropout是Dropout的一个变种方法#xff0c;该方法比普通Dropout的泛化能力更好#xff0c;同时又可以缩短模型的训练时间。XMuli-sampleDropout还可以降低训练集和验证集的错误率和损失#xff0c;参见的论文编号为arXⅳ:1905.09788,2019
1 实例说明
本例就… Multi-sample Dropout是Dropout的一个变种方法该方法比普通Dropout的泛化能力更好同时又可以缩短模型的训练时间。XMuli-sampleDropout还可以降低训练集和验证集的错误率和损失参见的论文编号为arXⅳ:1905.09788,2019
1 实例说明
本例就使用Muli-sampleDropout方法为图卷积模型缩短训练时间。
1.1 Multi-sample Dropout方法/多样本联合Dropout
是在Dropout随机选取节点丢弃的部分上进行优化即将Dropout随机选取的一组节点变成随机选取多组节点并计算每组节点的结果和反向传播的损失值。最终将计算多组的损失值进行平均得到最终的损失值并用其更新网络如图9-19所示。 Multi-sampleDropout在Dropout层使用两套不同的掩码选取出两组节点进行训练这种做法相当于网络层只运行了一次样本却输出了多个结果进行了多次训练。因此它可以大大减少训练的迭代次数。
1.1.2 特点
在深层神经网络中太部分运算发生在Dropout层之前的卷积层中Muiti-sample Dropout并不会重复这些计算所以Multi-sampleDropout对每次迭代的计算成本影响不大。它可以大幅加快训练速度。 2 代码实现
Pytorch神经网络实战学习笔记_40 【实战】图卷积神经网络进行论文分类_LiBiGor的博客-CSDN博客1 案例说明图卷积神经网络CORA数据集里面含有每一篇论文的关键词以及分类信息同时还有论文间互相引用的信息。搭建AI模型对数据集中的论文信息进行分析根据已有论文的分类特征从而预测出未知分类的论文类别。1.1 使用图卷积神经网络的特点使用图神经网络来实现分类。与深度学习模型的不同之处在于图神经网通会利用途文本身特征和论文间的关系特征进行处理仅需要少量样本即可达到很好的效果。1.2 CORA数据集CORA数据集是由机器学习的论文整理而来的记录每篇论文用到的关键...https://blog.csdn.net/qq_39237205/article/details/123863327基于上述代码进行修改2.7搭建多层图卷积与训练部分 2 代码编写
2.1 代码实战引入基础模块设置运行环境----Cora_GNN.py第1部分
from pathlib import Path # 引入提升路径的兼容性
# 引入矩阵运算的相关库
import numpy as np
import pandas as pd
from scipy.sparse import coo_matrix,csr_matrix,diags,eye
# 引入深度学习框架库
import torch
from torch import nn
import torch.nn.functional as F
# 引入绘图库
import matplotlib.pyplot as plt
import os
os.environ[KMP_DUPLICATE_LIB_OK]TRUE# 1.1 导入基础模块并设置运行环境
# 输出计算资源情况
device torch.device(cuda)if torch.cuda.is_available() else torch.device(cpu)
print(device) # 输出 cuda# 输出样本路径
path Path(./data/cora)
print(path) # 输出 cuda
输出结果 2.2 代码实现读取并解析论文数据----Cora_GNN.py第2部分
# 1.2 读取并解析论文数据
# 读取论文内容数据将其转化为数据
paper_features_label np.genfromtxt(path/cora.content,dtypenp.str_) # 使用Path对象的路径构造实例化的内容为cora.content。path/cora.content表示路径为data/cora/cora.content的字符串
print(paper_features_label,np.shape(paper_features_label)) # 打印数据集内容与数据的形状# 取出数据集中的第一列:论文ID
papers paper_features_label[:,0].astype(np.int32)
print(论文ID序列,papers) # 输出所有论文ID
# 论文重新编号并将其映射到论文ID中实现论文的统一管理
paper2idx {k:v for v,k in enumerate(papers)}# 将数据中间部分的字标签取出转化成矩阵
features csr_matrix(paper_features_label[:,1:-1],dtypenp.float32)
print(字标签矩阵的形状,np.shape(features)) # 字标签矩阵的形状# 将数据的最后一项的文章分类属性取出转化为分类的索引
labels paper_features_label[:,-1]
lbl2idx { k:v for v,k in enumerate(sorted(np.unique(labels)))}
labels [lbl2idx[e] for e in labels]
print(论文类别的索引号,lbl2idx,labels[:5])
输出 2.3 读取并解析论文关系数据
载入论文的关系数据将数据中用论文ID表示的关系转化成重新编号后的关系将每篇论文当作一个顶点论文间的引用关系作为边这样论文的关系数据就可以用一个图结构来表示。 计算该图结构的邻接矩阵并将其转化为无向图邻接矩阵。
2.3.1 代码实现转化矩阵----Cora_GNN.py第3部分
# 1.3 读取并解析论文关系数据
# 读取论文关系数据并将其转化为数据
edges np.genfromtxt(path/cora.cites,dtypenp.int32) # 将数据集中论文的引用关系以数据的形式读入
print(edges,np.shape(edges))
# 转化为新编号节点间的关系将数据集中论文ID表示的关系转化为重新编号后的关系
edges np.asarray([paper2idx[e] for e in edges.flatten()],np.int32).reshape(edges.shape)
print(新编号节点间的对应关系,edges,edges.shape)
# 计算邻接矩阵行与列都是论文个数由论文引用关系所表示的图结构生成邻接矩阵。
adj coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape(len(labels), len(labels)), dtypenp.float32)
# 生成无向图对称矩阵将有向图的邻接矩阵转化为无向图的邻接矩阵。Tip转化为无向图的原因主要用于对论文的分类论文的引用关系主要提供单个特征之间的关联故更看重是不是有关系所以无向图即可。
adj_long adj.multiply(adj.T adj)
adj adj_long adj_long.T
输出 2.4 加工图结构的矩阵数据
对图结构的矩阵数据进行加工使其更好地表现出图结构特征并参与神经网络的模型计算。
2.4.1 加工图结构的矩阵数据的步骤
1、对每个节点的特征数据进行归一化处理。 2、为邻接矩阵的对角线补1因为在分类任务中邻接矩阵主要作用是通过论文间的关联来帮助节点分类。对于对角线上的节点表示的意义是自己与自己的关联。将对角线节点设为1(自环图、表明节点也会帮助到分类任务。 3、对补1后的邻接矩阵进行归一化处理。 2.4.2 代码实现加工图结构的矩阵数据----Cora_GNN.py第4部分
# 1.4 加工图结构的矩阵数据
def normalize(mx): # 定义函数对矩阵的数据进行归一化处理rowsum np.array(mx.sum(1)) # 计算每一篇论文的字数02 对A中的边数求和计算出矩阵A的度矩阵D^的特征向量r_inv (rowsum ** -1).flatten() # 取总字数的倒数03 对矩阵A的度矩阵D^的特征向量求逆并得到D^逆的特征向量r_inv[np.isinf(r_inv)] 0.0 # 将NaN值取为0r_mat_inv diags(r_inv) # 将总字数的倒数变为对角矩阵》对图结构的度矩阵求逆04 D^逆的特征向量转化为对角矩阵得到D^逆mx r_mat_inv.dot(mx) # 左乘一个矩阵相当于每个元素除以总数》对每个论文顶点的边进行归一化处理05 计算D^逆与A加入自环(对角线为1)的邻接矩阵所得A^的点积得到拉普拉斯矩阵。return mx
# 对features矩阵进行归一化处理每行总和为1
features normalize(features) #在函数normalize()中分为两步对邻接矩阵进行处理。1、将每篇论文总字数的倒数变成对角矩阵。该操作相当于对图结构的度矩阵求逆。2、用度矩阵的逆左乘邻接矩阵相当于对图中每个论文顶点的边进行归一化处理。
# 对邻接矩阵的对角线添1将其变为自循环图同时对其进行归一化处理
adj normalize(adj eye(adj.shape[0])) # 对角线补101实现加入自环的邻接矩阵A
2.5 将数据转化为张量并分配运算资源
将加工好的图结构矩阵数据转为PyTorch支持的张量类型并将其分成3份分别用来进行训练、测试和验证。
2.5.1 代码实现将数据转化为张量并分配运算资源----Cora_GNN.py第5部分
# 1.5 将数据转化为张量并分配运算资源
adj torch.FloatTensor(adj.todense()) # 节点间关系 todense()方法将其转换回稠密矩阵。
features torch.FloatTensor(features.todense()) # 节点自身的特征
labels torch.LongTensor(labels) # 对每个节点的分类标签# 划分数据集
n_train 200 # 训练数据集大小
n_val 300 # 验证数据集大小
n_test len(features) - n_train - n_val # 测试数据集大小
np.random.seed(34)
idxs np.random.permutation(len(features)) # 将原有的索引打乱顺序# 计算每个数据集的索引
idx_train torch.LongTensor(idxs[:n_train]) # 根据指定训练数据集的大小并划分出其对应的训练数据集索引
idx_val torch.LongTensor(idxs[n_train:n_trainn_val])# 根据指定验证数据集的大小并划分出其对应的验证数据集索引
idx_test torch.LongTensor(idxs[n_trainn_val:])# 根据指定测试数据集的大小并划分出其对应的测试数据集索引# 分配运算资源
adj adj.to(device)
features features.to(device)
labels labels.to(device)
idx_train idx_train.to(device)
idx_val idx_val.to(device)
idx_test idx_test.to(device)
2.6 图卷积
图卷积的本质是维度变换即将每个含有in维的节点特征数据变换成含有out维的节点特征数据。
图卷积的操作将输入的节点特征、权重参数、加工后的邻接矩阵三者放在一起执行点积运算。
权重参数是个in×out大小的矩阵其中in代表输入节点的特征维度、out代表最终要输出的特征维度。将权重参数在维度变换中的功能当作一个全连接网络的权重来理解只不过在图卷积中它会比全连接网络多了执行节点关系信息的点积运算。 如上图所示列出全连接网络和图卷积网络在忽略偏置后的关系。从中可以很清晰地看出图卷积网络其实就是在全连接网络基础之上增加了节点关系信息。
2.6.1 代码实现定义Mish激活函数与图卷积操作类----Cora_GNN.py第6部分
在上图的所示的算法基础增加偏置定义GraphConvolution类
# 1.6 定义Mish激活函数与图卷积操作类
def mish(x): # 性能优于RElu函数return x * (torch.tanh(F.softplus(x)))
# 图卷积类
class GraphConvolution(nn.Module):def __init__(self,f_in,f_out,use_bias True,activationmish):# super(GraphConvolution, self).__init__()super().__init__()self.f_in f_inself.f_out f_outself.use_bias use_biasself.activation activationself.weight nn.Parameter(torch.FloatTensor(f_in, f_out))self.bias nn.Parameter(torch.FloatTensor(f_out)) if use_bias else Noneself.initialize_weights()def initialize_weights(self):# 对参数进行初始化if self.activation is None: # 初始化权重nn.init.xavier_uniform_(self.weight)else:nn.init.kaiming_uniform_(self.weight, nonlinearityleaky_relu)if self.use_bias:nn.init.zeros_(self.bias)def forward(self,input,adj): # 实现模型的正向处理流程support torch.mm(input,self.weight) # 节点特征与权重点积torch.mm()实现矩阵的相乘仅支持二位矩阵。若是多维矩则使用torch.matmul()output torch.mm(adj,support) # 将加工后的邻接矩阵放入点积运算if self.use_bias:output.add_(self.bias) # 加入偏置if self.activation is not None:output self.activation(output) # 激活函数处理return output
2.7 搭建带有Multi_Sample Dropout的多层图卷积网络模型---Cora_GNN_MUti-sample-Dropout.py修改的第1部分
# 1.7 搭建带有Multi_Sample Dropout的多层图卷积网络模型:根据GCN模型
class GCNTD(nn.Module):def __init__(self,f_in,n_classes,hidden[16],dropout_num 8,dropout_p0.5 ): # 默认使用8组dropout每组丢弃率为0.5# super(GCNTD, self).__init__()super().__init__()layer []for f_in,f_out in zip([f_in]hidden[:-1],hidden):layer [GraphConvolution(f_in,f_out)]self.layers nn.Sequential(*layer)# 默认使用8个Dropout分支self.dropouts nn.ModuleList([nn.Dropout(dropout_p,inplaceFalse) for _ in range(dropout_num)] )self.out_layer GraphConvolution(f_out,n_classes,activationNone)def forward(self,x,adj):# Multi - sampleDropout结构默认使用了8个Dropout分支。在前向传播过程中具体步骤如下。# ①输入样本统一经过多层图卷积神经网络来到Dropout层。# ②由每个分支的Dropout按照指定的丢弃率对多层图卷积的结果进行Dropout处理。# ③将每个分支的Dropout数据传入到输出层分别得到结果。# ④将所有结果加起来生成最终结果。for layer,d in zip(self.layers,self.dropouts):x layer(x,adj)if len(self.dropouts) 0:return self.out_layer(x,adj)else:for i, dropout in enumerate(self.dropouts): # 将每组的输出叠加if i 0 :out dropout(x)out self.out_layer(out,adj)else:temp_out dropout(x)out out self.out_layer(temp_out,adj)return out # 返回结果n_labels labels.max().item() 1 # 获取分类个数7
n_features features.shape[1] # 获取节点特征维度 1433
print(n_labels,n_features) # 输出7与1433def accuracy(output,y): # 定义函数计算准确率return (output.argmax(1) y).type(torch.float32).mean().item()### 定义函数来实现模型的训练过程。与深度学习任务不同图卷积在训练时需要传入样本间的关系数据。
# 因为该关系数据是与节点数相等的方阵所以传入的样本数也要与节点数相同在计算loss值时可以通过索引从总的运算结果中取出训练集的结果。
# 在图卷积任务中无论是用模型进行预测还是训练都需要将全部的图结构方阵输入。
def step(): # 定义函数来训练模型model.train()optimizer.zero_grad()output model(features,adj) # 将全部数据载入模型只用训练数据计算损失loss F.cross_entropy(output[idx_train],labels[idx_train])acc accuracy(output[idx_train],labels[idx_train]) # 计算准确率loss.backward()optimizer.step()return loss.item(),accdef evaluate(idx): # 定义函数来评估模型model.eval()output model(features, adj) # 将全部数据载入模型loss F.cross_entropy(output[idx], labels[idx]).item() # 用指定索引评估模型结果return loss, accuracy(output[idx], labels[idx])
2.8 代码实现训练可视化---Cora_GNN_MUti-sample-Dropout.py修改的第2部分
model GCNTD(n_features,n_labels,hidden[16,32,16]).to(device)
from ranger import *
from functools import partial # 引入偏函数对Ranger设置参数
opt_func partial(Ranger,betas(0.9,0.99),eps1e-6)
optimizer opt_func(model.parameters())from tqdm import tqdm
# 训练模型
epochs 400
print_steps 50
train_loss, train_acc [], []
val_loss, val_acc [], []
for i in tqdm(range(epochs)):tl,ta step()train_loss train_loss [tl]train_acc train_acc [ta]if (i1) % print_steps 0 or i 0:tl,ta evaluate(idx_train)vl,va evaluate(idx_val)val_loss val_loss [vl]val_acc val_acc [va]print(f{i 1:6d}/{epochs}: train_loss{tl:.4f}, train_acc{ta:.4f} f, val_loss{vl:.4f}, val_acc{va:.4f})# 输出最终结果
final_train, final_val, final_test evaluate(idx_train), evaluate(idx_val), evaluate(idx_test)
print(fTrain : loss{final_train[0]:.4f}, accuracy{final_train[1]:.4f})
print(fValidation: loss{final_val[0]:.4f}, accuracy{final_val[1]:.4f})
print(fTest : loss{final_test[0]:.4f}, accuracy{final_test[1]:.4f})# 可视化训练过程
fig, axes plt.subplots(1, 2, figsize(15,5))
ax axes[0]
axes[0].plot(train_loss[::print_steps] [train_loss[-1]], labelTrain)
axes[0].plot(val_loss, labelValidation)
axes[1].plot(train_acc[::print_steps] [train_acc[-1]], labelTrain)
axes[1].plot(val_acc, labelValidation)
for ax,t in zip(axes, [Loss, Accuracy]): ax.legend(), ax.set_title(t, size15)# 输出模型的预测结果
output model(features, adj)
samples 10
idx_sample idx_test[torch.randperm(len(idx_test))[:samples]]
# 将样本标签与预测结果进行比较
idx2lbl {v:k for k,v in lbl2idx.items()}
df pd.DataFrame({Real: [idx2lbl[e] for e in labels[idx_sample].tolist()],Pred: [idx2lbl[e] for e in output[idx_sample].argmax(1).tolist()]})
print(df)
输出
仅仅经过400轮就可以得到更好的结果 3 代码总览 Cora_GNN_MUti-sample-Dropout.py
from pathlib import Path # 引入提升路径的兼容性
# 引入矩阵运算的相关库
import numpy as np
import pandas as pd
from scipy.sparse import coo_matrix,csr_matrix,diags,eye
# 引入深度学习框架库
import torch
from torch import nn
import torch.nn.functional as F
# 引入绘图库
import matplotlib.pyplot as plt
import os
os.environ[KMP_DUPLICATE_LIB_OK]TRUE# 1.1 导入基础模块并设置运行环境
# 输出计算资源情况
device torch.device(cuda)if torch.cuda.is_available() else torch.device(cpu)
print(device) # 输出 cuda# 输出样本路径
path Path(./data/cora)
print(path) # 输出 cuda# 1.2 读取并解析论文数据
# 读取论文内容数据将其转化为数据
paper_features_label np.genfromtxt(path/cora.content,dtypenp.str_) # 使用Path对象的路径构造实例化的内容为cora.content。path/cora.content表示路径为data/cora/cora.content的字符串
print(paper_features_label,np.shape(paper_features_label)) # 打印数据集内容与数据的形状# 取出数据集中的第一列:论文ID
papers paper_features_label[:,0].astype(np.int32)
print(论文ID序列,papers) # 输出所有论文ID
# 论文重新编号并将其映射到论文ID中实现论文的统一管理
paper2idx {k:v for v,k in enumerate(papers)}# 将数据中间部分的字标签取出转化成矩阵
features csr_matrix(paper_features_label[:,1:-1],dtypenp.float32)
print(字标签矩阵的形状,np.shape(features)) # 字标签矩阵的形状# 将数据的最后一项的文章分类属性取出转化为分类的索引
labels paper_features_label[:,-1]
lbl2idx { k:v for v,k in enumerate(sorted(np.unique(labels)))}
labels [lbl2idx[e] for e in labels]
print(论文类别的索引号,lbl2idx,labels[:5])# 1.3 读取并解析论文关系数据
# 读取论文关系数据并将其转化为数据
edges np.genfromtxt(path/cora.cites,dtypenp.int32) # 将数据集中论文的引用关系以数据的形式读入
print(edges,np.shape(edges))
# 转化为新编号节点间的关系将数据集中论文ID表示的关系转化为重新编号后的关系
edges np.asarray([paper2idx[e] for e in edges.flatten()],np.int32).reshape(edges.shape)
print(新编号节点间的对应关系,edges,edges.shape)
# 计算邻接矩阵行与列都是论文个数由论文引用关系所表示的图结构生成邻接矩阵。
adj coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape(len(labels), len(labels)), dtypenp.float32)
# 生成无向图对称矩阵将有向图的邻接矩阵转化为无向图的邻接矩阵。Tip转化为无向图的原因主要用于对论文的分类论文的引用关系主要提供单个特征之间的关联故更看重是不是有关系所以无向图即可。
adj_long adj.multiply(adj.T adj)
adj adj_long adj_long.T# 1.4 加工图结构的矩阵数据
def normalize(mx): # 定义函数对矩阵的数据进行归一化处理rowsum np.array(mx.sum(1)) # 计算每一篇论文的字数02 对A中的边数求和计算出矩阵A的度矩阵D^的特征向量r_inv (rowsum ** -1).flatten() # 取总字数的倒数03 对矩阵A的度矩阵D^的特征向量求逆并得到D^逆的特征向量r_inv[np.isinf(r_inv)] 0.0 # 将NaN值取为0r_mat_inv diags(r_inv) # 将总字数的倒数变为对角矩阵》对图结构的度矩阵求逆04 D^逆的特征向量转化为对角矩阵得到D^逆mx r_mat_inv.dot(mx) # 左乘一个矩阵相当于每个元素除以总数》对每个论文顶点的边进行归一化处理05 计算D^逆与A加入自环(对角线为1)的邻接矩阵所得A^的点积得到拉普拉斯矩阵。return mx
# 对features矩阵进行归一化处理每行总和为1
features normalize(features) #在函数normalize()中分为两步对邻接矩阵进行处理。1、将每篇论文总字数的倒数变成对角矩阵。该操作相当于对图结构的度矩阵求逆。2、用度矩阵的逆左乘邻接矩阵相当于对图中每个论文顶点的边进行归一化处理。
# 对邻接矩阵的对角线添1将其变为自循环图同时对其进行归一化处理
adj normalize(adj eye(adj.shape[0])) # 对角线补101实现加入自环的邻接矩阵A# 1.5 将数据转化为张量并分配运算资源
adj torch.FloatTensor(adj.todense()) # 节点间关系 todense()方法将其转换回稠密矩阵。
features torch.FloatTensor(features.todense()) # 节点自身的特征
labels torch.LongTensor(labels) # 对每个节点的分类标签# 划分数据集
n_train 200 # 训练数据集大小
n_val 300 # 验证数据集大小
n_test len(features) - n_train - n_val # 测试数据集大小
np.random.seed(34)
idxs np.random.permutation(len(features)) # 将原有的索引打乱顺序# 计算每个数据集的索引
idx_train torch.LongTensor(idxs[:n_train]) # 根据指定训练数据集的大小并划分出其对应的训练数据集索引
idx_val torch.LongTensor(idxs[n_train:n_trainn_val])# 根据指定验证数据集的大小并划分出其对应的验证数据集索引
idx_test torch.LongTensor(idxs[n_trainn_val:])# 根据指定测试数据集的大小并划分出其对应的测试数据集索引# 分配运算资源
adj adj.to(device)
features features.to(device)
labels labels.to(device)
idx_train idx_train.to(device)
idx_val idx_val.to(device)
idx_test idx_test.to(device)# 1.6 定义Mish激活函数与图卷积操作类
def mish(x): # 性能优于RElu函数return x * (torch.tanh(F.softplus(x)))
# 图卷积类
class GraphConvolution(nn.Module):def __init__(self,f_in,f_out,use_bias True,activationmish):# super(GraphConvolution, self).__init__()super().__init__()self.f_in f_inself.f_out f_outself.use_bias use_biasself.activation activationself.weight nn.Parameter(torch.FloatTensor(f_in, f_out))self.bias nn.Parameter(torch.FloatTensor(f_out)) if use_bias else Noneself.initialize_weights()def initialize_weights(self):# 对参数进行初始化if self.activation is None: # 初始化权重nn.init.xavier_uniform_(self.weight)else:nn.init.kaiming_uniform_(self.weight, nonlinearityleaky_relu)if self.use_bias:nn.init.zeros_(self.bias)def forward(self,input,adj): # 实现模型的正向处理流程support torch.mm(input,self.weight) # 节点特征与权重点积torch.mm()实现矩阵的相乘仅支持二位矩阵。若是多维矩则使用torch.matmul()output torch.mm(adj,support) # 将加工后的邻接矩阵放入点积运算if self.use_bias:output.add_(self.bias) # 加入偏置if self.activation is not None:output self.activation(output) # 激活函数处理return output# 1.7 搭建带有Multi_Sample Dropout的多层图卷积网络模型:根据GCN模型
class GCNTD(nn.Module):def __init__(self,f_in,n_classes,hidden[16],dropout_num 8,dropout_p0.5 ): # 默认使用8组dropout每组丢弃率为0.5# super(GCNTD, self).__init__()super().__init__()layer []for f_in,f_out in zip([f_in]hidden[:-1],hidden):layer [GraphConvolution(f_in,f_out)]self.layers nn.Sequential(*layer)# 默认使用8个Dropout分支self.dropouts nn.ModuleList([nn.Dropout(dropout_p,inplaceFalse) for _ in range(dropout_num)] )self.out_layer GraphConvolution(f_out,n_classes,activationNone)def forward(self,x,adj):# Multi - sampleDropout结构默认使用了8个Dropout分支。在前向传播过程中具体步骤如下。# ①输入样本统一经过多层图卷积神经网络来到Dropout层。# ②由每个分支的Dropout按照指定的丢弃率对多层图卷积的结果进行Dropout处理。# ③将每个分支的Dropout数据传入到输出层分别得到结果。# ④将所有结果加起来生成最终结果。for layer,d in zip(self.layers,self.dropouts):x layer(x,adj)if len(self.dropouts) 0:return self.out_layer(x,adj)else:for i, dropout in enumerate(self.dropouts): # 将每组的输出叠加if i 0 :out dropout(x)out self.out_layer(out,adj)else:temp_out dropout(x)out out self.out_layer(temp_out,adj)return out # 返回结果
n_labels labels.max().item() 1 # 获取分类个数7
n_features features.shape[1] # 获取节点特征维度 1433
print(n_labels,n_features) # 输出7与1433def accuracy(output,y): # 定义函数计算准确率return (output.argmax(1) y).type(torch.float32).mean().item()### 定义函数来实现模型的训练过程。与深度学习任务不同图卷积在训练时需要传入样本间的关系数据。
# 因为该关系数据是与节点数相等的方阵所以传入的样本数也要与节点数相同在计算loss值时可以通过索引从总的运算结果中取出训练集的结果。
# 在图卷积任务中无论是用模型进行预测还是训练都需要将全部的图结构方阵输入。
def step(): # 定义函数来训练模型model.train()optimizer.zero_grad()output model(features,adj) # 将全部数据载入模型只用训练数据计算损失loss F.cross_entropy(output[idx_train],labels[idx_train])acc accuracy(output[idx_train],labels[idx_train]) # 计算准确率loss.backward()optimizer.step()return loss.item(),accdef evaluate(idx): # 定义函数来评估模型model.eval()output model(features, adj) # 将全部数据载入模型loss F.cross_entropy(output[idx], labels[idx]).item() # 用指定索引评估模型结果return loss, accuracy(output[idx], labels[idx])model GCNTD(n_features,n_labels,hidden[16,32,16]).to(device)
from ranger import *
from functools import partial # 引入偏函数对Ranger设置参数
opt_func partial(Ranger,betas(0.9,0.99),eps1e-6)
optimizer opt_func(model.parameters())from tqdm import tqdm
# 训练模型
epochs 400
print_steps 50
train_loss, train_acc [], []
val_loss, val_acc [], []
for i in tqdm(range(epochs)):tl,ta step()train_loss train_loss [tl]train_acc train_acc [ta]if (i1) % print_steps 0 or i 0:tl,ta evaluate(idx_train)vl,va evaluate(idx_val)val_loss val_loss [vl]val_acc val_acc [va]print(f{i 1:6d}/{epochs}: train_loss{tl:.4f}, train_acc{ta:.4f} f, val_loss{vl:.4f}, val_acc{va:.4f})# 输出最终结果
final_train, final_val, final_test evaluate(idx_train), evaluate(idx_val), evaluate(idx_test)
print(fTrain : loss{final_train[0]:.4f}, accuracy{final_train[1]:.4f})
print(fValidation: loss{final_val[0]:.4f}, accuracy{final_val[1]:.4f})
print(fTest : loss{final_test[0]:.4f}, accuracy{final_test[1]:.4f})# 可视化训练过程
fig, axes plt.subplots(1, 2, figsize(15,5))
ax axes[0]
axes[0].plot(train_loss[::print_steps] [train_loss[-1]], labelTrain)
axes[0].plot(val_loss, labelValidation)
axes[1].plot(train_acc[::print_steps] [train_acc[-1]], labelTrain)
axes[1].plot(val_acc, labelValidation)
for ax,t in zip(axes, [Loss, Accuracy]): ax.legend(), ax.set_title(t, size15)# 输出模型的预测结果
output model(features, adj)
samples 10
idx_sample idx_test[torch.randperm(len(idx_test))[:samples]]
# 将样本标签与预测结果进行比较
idx2lbl {v:k for k,v in lbl2idx.items()}
df pd.DataFrame({Real: [idx2lbl[e] for e in labels[idx_sample].tolist()],Pred: [idx2lbl[e] for e in output[idx_sample].argmax(1).tolist()]})
print(df)
