GCN-图卷积神经网络算法简单实现（含python代码）

臻品李佲善

本文是就实现GCN算法模型进行的代码介绍，上一篇文章是GCN算法的原理和模型介绍。代码中用到的Cora数据集：链接：https://pan.baidu.com/s/1SbqIOtysKqHKZ7C50DM_eA 提取码：pfny 文章目录目的一、数据集介绍二、实现过程讲解三、代码实现和结果分析1.导入包2.数据准备¶3. 图卷积层定义4.GCN图卷积神经网络模型定义5. 模型训练5.1超参数定义，包含学习率、正则化系数等。5.2定义模型：5.3定义训练和测试函数，进行训练6.可视化目的本次实验的目的是将论文分类，通过模型训练，利用已经分好类的训练集，将论文通过GCN算法分为7类。一、数据集介绍数据集我选用的是GCN常用的Cora数据集，实验的目标就是通过对构造出来的两层GCN模型进行训练，实现对数据集样本节点的分类Cora数据集下载地址：https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz个人不建议用python的dgl包中的Cora数据，总是报错。Cora数据集由关于机器学习方面的论文组成。这些论文分为以下七个类别之一：1.基于案例2.遗传算法3.神经网络4.概率方法5.强化学习6.规则学习7.理论这些论文都是经过筛选的，在最终的数据集中，每篇论文引用或被至少一篇其他论文引用。整个语料库中有2708篇论文。在词干堵塞和去除词尾后，只剩下1433个唯一的单词。文档频率小于10的所有单词都被删除。即Cora数据集包含2708个顶点,5429条边,每个顶点包含1433个特征，共有7个类别。并且Cora已经把训练集和测试集的数据都划分好了，直接按照文件名读取数据即可，如文件ind.cora.x=>训练实例的特征向量；ind.cora.y=>训练实例的标签，独热编码ind.cora.tx=>测试实例的特征向量；ind.cora.ty=>测试实例的标签，独热编码二、实现过程讲解结合我最后做的代码实现，给大家先举一个引文网络的简单实例，方便大家了解处理过程。其中每个节点代表一篇研究论文，同时边代表的是引用关系。我们在这里有一个预处理步骤。在这里我们不使用原始论文作为特征，而是将论文转换成向量（通过使用NLP嵌入，例如tf-idf）。假设我们使用average()函数（实际上GCN内部的传递函数肯定不是平均值，这里只是方便理解）。我们将对所有的节点进行同样的获取特征向量的操作。最后，我们将这些计算得到的平均值输入到神经网络中。让我们考虑下绿色节点。首先，我们得到它的所有邻居的特征值，包括自身节点，接着取平均值。最后通过神经网络返回一个结果向量并将此作为最终结果。请注意，在GCN中，我们仅仅使用一个全连接层。在这个例子中，我们得到2维向量作为输出（全连接层的2个节点）。全连接网络的作用就是对上一层得到的向量做乘法，最终降低其维度，然后输入到softmax层中得到对应的每个类别的得分。在实际操作中，我们肯定是使用比average函数更复杂的聚合函数，也就是上面讲的那个传播函数。我们还可以将更多的层叠加在一起，以获得更深的GCN。其中每一层的输出会被视为下一层的输入。2层GCN的例子：第一层的输出是第二层的输入。那么两层的GCN就可以在降维的同时，通过层间传播的公式获取到二阶邻居节点的特征： 在节点分类问题中，实际上在输入的邻接矩阵和每个节点的特征中，既包含了节点间的联系情况，也包含了节点自身的特征。通过GCN的卷积层就可以实现降维，想要聚成几类就降成几维。三、代码实现和结果分析1.导入包importitertoolsimportosimportos.pathasospimportpickleimporturllibfromcollectionsimportnamedtupleimportwarningswarnings.filterwarnings("ignore")importnumpyasnpimportscipy.sparseasspimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFimporttorch.nn.initasinitimporttorch.optimasoptimimportmatplotlib.pyplotasplt%matplotlibinline2.数据准备¶Data=namedtuple('Data',['x','y','adjacency','train_mask','val_mask','test_mask'])deftensor_from_numpy(x,device):returntorch.from_numpy(x).to(device)classCoraDa