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',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_p=0.5 ): # 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,inplace=False) for _ in range(dropout_num)] ) self.out_layer = GraphConvolution(f_out,n_classes,activation=None) 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。 # 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(),acc def 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),eps=1e-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 (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)
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',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_p=0.5 ): # 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,inplace=False) for _ in range(dropout_num)] ) self.out_layer = GraphConvolution(f_out,n_classes,activation=None) 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。 # 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(),acc def 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),eps=1e-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 (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)
