iis服务器助手广告广告
返回顶部
首页 > 资讯 > 后端开发 > Python >详解Pytorch+PyG实现GAT过程示例
  • 718
分享到

详解Pytorch+PyG实现GAT过程示例

PytorchPyG实现GATPytorchPyG 2023-05-17 05:05:26 718人浏览 薄情痞子

Python 官方文档:入门教程 => 点击学习

摘要

目录导入库和数据定义模型结构定义训练函数定义测试函数训练模型并评估训练结果导入库和数据 GAT(图注意力网络)是常见的图神经网络结构之一,它使用注意力机制来对节点进行特征加权,并考虑

导入库和数据

GAT(图注意力网络)是常见的图神经网络结构之一,它使用注意力机制来对节点进行特征加权,并考虑其邻居节点的交互。

首先,我们需要导入PyTorch和PyG库,然后准备好我们的数据。例如,我们可以使用以下方式生成一个简单的随机数据集:

from torch_geometric.datasets import Planetoid
dataset = Planetoid(root='/tmp/Cora', name='Cora')
train_loader = DataLoader(dataset[0], batch_size=128, shuffle=True)
test_loader = DataLoader(dataset[0], batch_size=128, shuffle=False)

其中, Planetoid 是PyG提供的图形数据集之一。这里我们选择了 Cora 数据集并存储到 /tmp/Cora 文件夹中。然后我们将该数据集分成训练集和测试集,设置相应的加载器。

定义模型结构

接下来,我们需要定义GAT模型的结构。通过PyTorch和PyG,我们可以自己定义完整的GAT模型或者利用现有的库函数快速构建模型。在这里,我们将使用 torch_geometric.nn.GATConv 函数逐层堆叠多个图注意力层来实现GAT模型。以下是GAT模型定义的示例代码:

import torch.nn.functional as F
from torch_geometric.nn import GATConv
class Net(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(Net, self).__init__()
        self.num_layers = 2
        self.conv1 = GATConv(in_channels=in_channels, out_channels=16, heads=8, dropout=0.6)
        self.conv2 = GATConv(in_channels=16*8, out_channels=out_channels, heads=1, concat=False, dropout=0.6)
    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = F.dropout(x, p=0.6, training=self.training)
        x = F.elu(self.conv1(x, edge_index))
        x = F.dropout(x, p=0.6, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

上述代码中,我们定义了一个 Net 类用于构建GAT网络,接收输入通道数和输出通道数作为参数。例如,我们可以按照以下方式创建一个将 CORD 参量作为输入特征向量大小、64 个隐藏节点(每个注意力头)。并将数字类别作为输出大小的GAT模型:

model = Net(in_channels=dataset.num_features, out_channels=dataset.num_classes)

其中 num_featuresnum_classes 是PyG数据集中包含的属性。

定义训练函数

然后,我们需要定义训练函数来训练我们的GAT神经网络。在这里,我们将使用交叉熵损失和Adam优化器进行训练,并在每一个epoch结束时计算准确率并打印出来。以下是训练函数的示例代码:

import torch.optim as optim
from tqdm import tqdm
def train(model, loader, optimizer, loss_fn):
    model.train()
    correct = 0
    total_loss = 0
    for data in tqdm(loader, desc='Training'):
        optimizer.zero_grad()
        out = model(data)
        pred = out.argmax(dim=1)
        loss = loss_fn(out[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()
        total_loss += loss.item() * data.num_graphs
        correct += pred[data.train_mask].eq(data.y[data.train_mask]).sum().item()
    return total_loss / len(loader.dataset), correct / len(data.train_mask)

在上述代码中,我们遍历加载器中的每个数据批次,并对模型进行培训。对于每个图数据批次,我们计算网络输出、预测和损失,然后通过反向传播来更新权重。最后,我们将总损失和正确率记录下来并返回。

定义测试函数

接下来,我们还需要定义测试函数来测试我们的GAT神经网络性能表现。我们将利用与训练函数相同的输出参数进行测试,并打印出最终的测试准确率。以下是测试函数的示例代码:

def test(model, loader, loss_fn):
    model.eval()
    correct = 0
    total_loss = 0
    with torch.no_grad():
        for data in tqdm(loader, desc='Testing'):
            out = model(data)
            pred = out.argmax(dim=1)
            loss = loss_fn(out[data.test_mask], data.y[data.test_mask])
            total_loss += loss.item() * data.num_graphs
            correct += pred[data.test_mask].eq(data.y[data.test_mask]).sum().item()
    return total_loss / len(loader.dataset), correct / len(data.test_mask)

在上述代码中,我们对测试数据集中的所有数据进行了循环,并计算网络的输出和预测。我们记录下总损失和正确分类的数据量,并返回损失和准确率之间的比率。

训练模型并评估训练结果

最后,我们可以使用前面定义过的函数来定义主函数,从而完成GAT神经网络的训练和测试。以下是主函数的示例代码:

if __name__ == '__main__':
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = Net(in_channels=dataset.num_features, out_channels=dataset.num_classes).to(device)
    train_loader = DataLoader(dataset[0], batch_size=128, shuffle=True)
    test_loader = DataLoader(dataset[0], batch_size=128, shuffle=False)
    optimizer = optim.Adam(model.parameters(), lr=0.01)
    loss_fn = nn.CrossEntropyLoss()
    for epoch in range(1, 201):
        train_loss, train_acc = train(model, train_loader, optimizer, loss_fn)
        test_loss, test_acc = test(model, test_loader, loss_fn)
        print(f'Epoch {epoch:03D}, Train Loss: {train_loss:.4f}, Train Acc: {train_acc:.4f}, '
              f'Test Loss: {test_loss:.4f}, Test Acc: {test_acc:.4f}')

通过上述代码,我们就可以完成GAT神经网络的训练和测试。我们使用 DataLoader 函数进行数据加载,设置学习率、损失函数、训练轮数等超参数。最后,我们可以在屏幕上看到每个时代的准确率和损失值,并通过它们评估模型的训练表现。

以上就是详解Pytorch+PyG实现GAT过程示例的详细内容,更多关于Pytorch PyG实现GAT的资料请关注编程网其它相关文章!

--结束END--

本文标题: 详解Pytorch+PyG实现GAT过程示例

本文链接: https://www.lsjlt.com/news/210684.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com    QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑,方便收藏和打印~

下载Word文档
猜你喜欢
软考高级职称资格查询
编程网,编程工程师的家园,是目前国内优秀的开源技术社区之一,形成了由开源软件库、代码分享、资讯、协作翻译、讨论区和博客等几大频道内容,为IT开发者提供了一个发现、使用、并交流开源技术的平台。
  • 官方手机版

  • 微信公众号

  • 商务合作