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。
cora数据集2022年-深度学习文档类资源-CSDN下载
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词，以及论文之间互相引用的关系。C更多下载资源、学习资料请访问CSDN下载频道.
https://download.csdn.net/download/qq_39237205/85059035
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词，以及论文之间互相引用的关系。
1.2.1 CORA的内容
CORA数据集中的论文共分为7类：基于案例、遗传算法、神经网络、概率方法、强化学习、规则学习、理论。
1.2.2 CORA的组成
数据集中共有2708篇论文，每一篇论文都引用或至少被一篇其他论文所引用。整个语料库共有2708篇论文。同时，又将所有论文中的词干、停止词、低频词删除，留下1433个关键词，作为论文的个体特征。
1.2.3 CORA数据集的文件与结构说明
（1)content文件格式的论文说明：
<paper-id><word-attributes><class-label>
每行的第一个条目包含论文的唯一字符串ID，随后用一个二进制值指示词汇表中的每个单词在纸张中存在（由1表示）或不存在（由0表示)。行中的最后一项包含纸张的类标签。
（2)cites文件包含了语料库的引文图，每一行用以下格式描述一个链接：
<id ofreferencepaper><id ofreference paper>
每行包含两个纸张ID。第一个条目是被引用论文的ID，第二个ID代表包含引用的论文。链接的方向是从右向左的。如果一行用“paper2 paper1”表示，那么其中连接为“paper2->paper1”
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',dtype=np.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],dtype=np.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',dtype=np.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)), dtype=np.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0 r_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1==>01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_train+n_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_train+n_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,activation=mish): # super(GraphConvolution, self).__init__() super().__init__() self.f_in = f_in self.f_out = f_out self.use_bias = use_bias self.activation = activation self.weight = nn.Parameter(torch.FloatTensor(f_in, f_out)) self.bias = nn.Parameter(torch.FloatTensor(f_out)) if use_bias else None self.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, nonlinearity='leaky_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 搭建多层图卷积
定义GCN类将GraphConvolution类完成的图卷积层叠加起来，形成多层图卷积网络。同时，为该网络模型实现训练和评估函数。
2.7.1 代码实现：多层图卷积----Cora_GNN.py（第7部分）
# 1.7 搭建多层图卷积网络模型 class GCN(nn.Module): def __init__(self, f_in, n_classes, hidden=[16], dropout_p=0.5): # 实现多层图卷积网络，该网的搭建方法与全连接网络的搭建一致，只是将全连接层转化成GraphConvolution所实现的图卷积层 # super(GCN, self).__init__() super().__init__() layers = [] # 根据参数构建多层网络 for f_in, f_out in zip([f_in] + hidden[:-1], hidden): # python 在list上的“+=”的重载函数是extend()函数，而不是+ # layers = [GraphConvolution(f_in, f_out)] + layers layers += [GraphConvolution(f_in, f_out)] self.layers = nn.Sequential(*layers) self.dropout_p = dropout_p # 构建输出层 self.out_layer = GraphConvolution(f_out, n_classes, activation=None) def forward(self, x, adj): # 实现前向处理过程 for layer in self.layers: x = layer(x,adj) # 函数方式调用dropout()：必须指定模型的运行状态，即Training标志，这样可减少很多麻烦 F.dropout(x,self.dropout_p,training=self.training,inplace=True) return self.out_layer(x,adj) 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1433 def 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。 def step(): # 定义函数来训练模型 Tip：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 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(),acc def evaluate(idx): # 定义函数来评估模型 Tip：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 model.eval() output = model(features, adj) # 将全部数据载入模型，用指定索引评估模型结果 loss = F.cross_entropy(output[idx], labels[idx]).item() return loss, accuracy(output[idx], labels[idx])
2.8 Ranger优化器
图卷积神经网络的层数不宜过多，一般在3层左右即可。本例将实现一个3层的图卷积神经网络，每层的维度变化如图9-15所示。
使用循环语句训练模型，并将模型结果可视化。
2.8.1 代码实现：用Ranger优化器训练模型并可视化结果----Cora_GNN.py（第8部分）
# 1.8 使用Ranger优化器训练模型并可视化 model = GCN(n_features, n_labels, hidden=[16, 32, 16]).to(device) from tqdm import tqdm from Cora_ranger import * # 引入Ranger优化器 optimizer = Ranger(model.parameters()) # 使用Ranger优化器 # 训练模型 epochs = 1000 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 (i+1) % 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(f'Train : loss={final_train[0]:.4f}, accuracy={final_train[1]:.4f}') print(f'Validation: loss={final_val[0]:.4f}, accuracy={final_val[1]:.4f}') print(f'Test : 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]], label='Train') axes[0].plot(val_loss, label='Validation') axes[1].plot(train_acc[::print_steps] + [train_acc[-1]], label='Train') axes[1].plot(val_acc, label='Validation') for ax,t in zip(axes, ['Loss', 'Accuracy']): ax.legend(), ax.set_title(t, size=15) # 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)
2.7 程序输出汇总
2.7.1 训练过程
2.7.3 验证结果
2.8 结论
从训练结果中可以看出，该模型具有很好的拟合能力。值得一提的是，图卷积模型所使用的训练样本非常少，只使用了2708个样本中的200个进行训练。因为加入了样本间的关系信息，所以模型对样本量的依赖大幅下降。这也正是图神经网络模型的优势。
3 代码汇总
3.1 Cora_GNN.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',dtype=np.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],dtype=np.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',dtype=np.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)), dtype=np.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0 r_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1==>01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_train+n_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_train+n_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,activation=mish): # super(GraphConvolution, self).__init__() super().__init__() self.f_in = f_in self.f_out = f_out self.use_bias = use_bias self.activation = activation self.weight = nn.Parameter(torch.FloatTensor(f_in, f_out)) self.bias = nn.Parameter(torch.FloatTensor(f_out)) if use_bias else None self.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, nonlinearity='leaky_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 搭建多层图卷积网络模型 class GCN(nn.Module): def __init__(self, f_in, n_classes, hidden=[16], dropout_p=0.5): # 实现多层图卷积网络，该网的搭建方法与全连接网络的搭建一致，只是将全连接层转化成GraphConvolution所实现的图卷积层 # super(GCN, self).__init__() super().__init__() layers = [] # 根据参数构建多层网络 for f_in, f_out in zip([f_in] + hidden[:-1], hidden): # python 在list上的“+=”的重载函数是extend()函数，而不是+ # layers = [GraphConvolution(f_in, f_out)] + layers layers += [GraphConvolution(f_in, f_out)] self.layers = nn.Sequential(*layers) self.dropout_p = dropout_p # 构建输出层 self.out_layer = GraphConvolution(f_out, n_classes, activation=None) def forward(self, x, adj): # 实现前向处理过程 for layer in self.layers: x = layer(x,adj) # 函数方式调用dropout()：必须指定模型的运行状态，即Training标志，这样可减少很多麻烦 F.dropout(x,self.dropout_p,training=self.training,inplace=True) return self.out_layer(x,adj) 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1433 def 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。 def step(): # 定义函数来训练模型 Tip：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 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(),acc def evaluate(idx): # 定义函数来评估模型 Tip：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 model.eval() output = model(features, adj) # 将全部数据载入模型，用指定索引评估模型结果 loss = F.cross_entropy(output[idx], labels[idx]).item() return loss, accuracy(output[idx], labels[idx]) # 1.8 使用Ranger优化器训练模型并可视化 model = GCN(n_features, n_labels, hidden=[16, 32, 16]).to(device) from tqdm import tqdm from Cora_ranger import * # 引入Ranger优化器 optimizer = Ranger(model.parameters()) # 使用Ranger优化器 # 训练模型 epochs = 1000 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 (i+1) % 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(f'Train : loss={final_train[0]:.4f}, accuracy={final_train[1]:.4f}') print(f'Validation: loss={final_val[0]:.4f}, accuracy={final_val[1]:.4f}') print(f'Test : 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]], label='Train') axes[0].plot(val_loss, label='Validation') axes[1].plot(train_acc[::print_steps] + [train_acc[-1]], label='Train') axes[1].plot(val_acc, label='Validation') for ax,t in zip(axes, ['Loss', 'Accuracy']): ax.legend(), ax.set_title(t, size=15) # 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)
3.2 Cora_ranger.py
#Ranger deep learning optimizer - RAdam + Lookahead combined. #https://github.com/lessw2020/Ranger-Deep-Learning-Optimizer #Ranger has now been used to capture 12 records on the FastAI leaderboard. #This version = 9.3.19 #Credits: #RAdam --> https://github.com/LiyuanLucasLiu/RAdam #Lookahead --> rewritten by lessw2020, but big thanks to Github @LonePatient and @RWightman for ideas from their code. #Lookahead paper --> MZhang,G Hinton https://arxiv.org/abs/1907.08610 #summary of changes: #full code integration with all updates at param level instead of group, moves slow weights into state dict (from generic weights), #supports group learning rates (thanks @SHolderbach), fixes sporadic load from saved model issues. #changes 8/31/19 - fix references to *self*.N_sma_threshold; #changed eps to 1e-5 as better default than 1e-8. import math import torch from torch.optim.optimizer import Optimizer, required import itertools as it class Ranger(Optimizer): def __init__(self, params, lr=1e-3, alpha=0.5, k=6, N_sma_threshhold=5, betas=(.95,0.999), eps=1e-5, weight_decay=0): #parameter checks if not 0.0 <= alpha <= 1.0: raise ValueError(f'Invalid slow update rate: {alpha}') if not 1 <= k: raise ValueError(f'Invalid lookahead steps: {k}') if not lr > 0: raise ValueError(f'Invalid Learning Rate: {lr}') if not eps > 0: raise ValueError(f'Invalid eps: {eps}') #parameter comments: # beta1 (momentum) of .95 seems to work better than .90... #N_sma_threshold of 5 seems better in testing than 4. #In both cases, worth testing on your dataset (.90 vs .95, 4 vs 5) to make sure which works best for you. #prep defaults and init torch.optim base defaults = dict(lr=lr, alpha=alpha, k=k, step_counter=0, betas=betas, N_sma_threshhold=N_sma_threshhold, eps=eps, weight_decay=weight_decay) super().__init__(params,defaults) #adjustable threshold self.N_sma_threshhold = N_sma_threshhold #now we can get to work... #removed as we now use step from RAdam...no need for duplicate step counting #for group in self.param_groups: # group["step_counter"] = 0 #print("group step counter init") #look ahead params self.alpha = alpha self.k = k #radam buffer for state self.radam_buffer = [[None,None,None] for ind in range(10)] #self.first_run_check=0 #lookahead weights #9/2/19 - lookahead param tensors have been moved to state storage. #This should resolve issues with load/save where weights were left in GPU memory from first load, slowing down future runs. #self.slow_weights = [[p.clone().detach() for p in group['params']] # for group in self.param_groups] #don't use grad for lookahead weights #for w in it.chain(*self.slow_weights): # w.requires_grad = False def __setstate__(self, state): print("set state called") super(Ranger, self).__setstate__(state) def step(self, closure=None): loss = None #note - below is commented out b/c I have other work that passes back the loss as a float, and thus not a callable closure. #Uncomment if you need to use the actual closure... #if closure is not None: #loss = closure() #Evaluate averages and grad, update param tensors for group in self.param_groups: for p in group['params']: if p.grad is None: continue grad = p.grad.data.float() if grad.is_sparse: raise RuntimeError('Ranger optimizer does not support sparse gradients') p_data_fp32 = p.data.float() state = self.state[p] #get state dict for this param if len(state) == 0: #if first time to run...init dictionary with our desired entries #if self.first_run_check==0: #self.first_run_check=1 #print("Initializing slow buffer...should not see this at load from saved model!") state['step'] = 0 state['exp_avg'] = torch.zeros_like(p_data_fp32) state['exp_avg_sq'] = torch.zeros_like(p_data_fp32) #look ahead weight storage now in state dict state['slow_buffer'] = torch.empty_like(p.data) state['slow_buffer'].copy_(p.data) else: state['exp_avg'] = state['exp_avg'].type_as(p_data_fp32) state['exp_avg_sq'] = state['exp_avg_sq'].type_as(p_data_fp32) #begin computations exp_avg, exp_avg_sq = state['exp_avg'], state['exp_avg_sq'] beta1, beta2 = group['betas'] #compute variance mov avg exp_avg_sq.mul_(beta2).addcmul_(1 - beta2, grad, grad) #compute mean moving avg exp_avg.mul_(beta1).add_(1 - beta1, grad) state['step'] += 1 buffered = self.radam_buffer[int(state['step'] % 10)] if state['step'] == buffered[0]: N_sma, step_size = buffered[1], buffered[2] else: buffered[0] = state['step'] beta2_t = beta2 ** state['step'] N_sma_max = 2 / (1 - beta2) - 1 N_sma = N_sma_max - 2 * state['step'] * beta2_t / (1 - beta2_t) buffered[1] = N_sma if N_sma > self.N_sma_threshhold: step_size = math.sqrt((1 - beta2_t) * (N_sma - 4) / (N_sma_max - 4) * (N_sma - 2) / N_sma * N_sma_max / (N_sma_max - 2)) / (1 - beta1 ** state['step']) else: step_size = 1.0 / (1 - beta1 ** state['step']) buffered[2] = step_size if group['weight_decay'] != 0: p_data_fp32.add_(-group['weight_decay'] * group['lr'], p_data_fp32) if N_sma > self.N_sma_threshhold: denom = exp_avg_sq.sqrt().add_(group['eps']) p_data_fp32.addcdiv_(-step_size * group['lr'], exp_avg, denom) else: p_data_fp32.add_(-step_size * group['lr'], exp_avg) p.data.copy_(p_data_fp32) #integrated look ahead... #we do it at the param level instead of group level if state['step'] % group['k'] == 0: slow_p = state['slow_buffer'] #get access to slow param tensor slow_p.add_(self.alpha, p.data - slow_p) #(fast weights - slow weights) * alpha p.data.copy_(slow_p) #copy interpolated weights to RAdam param tensor return loss
