devbox
Gausst松鼠会
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

【Pytorch神经网络实战案例】20 基于Cora数据集实现图卷积神经网络论文分类_基于pytorch图像分类论文

作者：Gausst松鼠会 | 2024-04-02 18:45:50

赞

踩

基于pytorch图像分类论文

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）

  1. from pathlib import Path # 引入提升路径的兼容性
  2. # 引入矩阵运算的相关库
  3. import numpy as np
  4. import pandas as pd
  5. from scipy.sparse import coo_matrix,csr_matrix,diags,eye
  6. # 引入深度学习框架库
  7. import torch
  8. from torch import nn
  9. import torch.nn.functional as F
  10. # 引入绘图库
  11. import matplotlib.pyplot as plt
  12. import os
  13. os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
  14.  
  15. # 1.1 导入基础模块，并设置运行环境
  16. # 输出计算资源情况
  17. device = torch.device('cuda')if torch.cuda.is_available() else torch.device('cpu')
  18. print(device) # 输出 cuda
  19.  
  20. # 输出样本路径
  21. path = Path('./data/cora')
  22. 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. # 1.2 读取并解析论文数据
  2. # 读取论文内容数据，将其转化为数据
  3. 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
  4. print(paper_features_label,np.shape(paper_features_label)) # 打印数据集内容与数据的形状
  5.  
  6. # 取出数据集中的第一列:论文ID
  7. papers = paper_features_label[:,0].astype(np.int32)
  8. print("论文ID序列：",papers) # 输出所有论文ID
  9. # 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
  10. paper2idx = {k:v for v,k in enumerate(papers)}
  11.  
  12. # 将数据中间部分的字标签取出，转化成矩阵
  13. features = csr_matrix(paper_features_label[:,1:-1],dtype=np.float32)
  14. print("字标签矩阵的形状：",np.shape(features)) # 字标签矩阵的形状
  15.  
  16. # 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
  17. labels = paper_features_label[:,-1]
  18. lbl2idx = { k:v for v,k in enumerate(sorted(np.unique(labels)))}
  19. labels = [lbl2idx[e] for e in labels]
  20. 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. # 1.3 读取并解析论文关系数据
  2. # 读取论文关系数据，并将其转化为数据
  3. 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
  4. print(edges,np.shape(edges))
  5. # 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
  6. edges = np.asarray([paper2idx[e] for e in edges.flatten()],np.int32).reshape(edges.shape)
  7. print("新编号节点间的对应关系：",edges,edges.shape)
  8. # 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。
  9. adj = coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape=(len(labels), len(labels)), dtype=np.float32)
  10. # 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。
  11. adj_long = adj.multiply(adj.T < adj)
  12. 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. # 1.4 加工图结构的矩阵数据
  2. def normalize(mx): # 定义函数，对矩阵的数据进行归一化处理
  3.     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
  4.     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
  5.     r_inv[np.isinf(r_inv)] = 0.0 # 将NaN值取为0
  6.     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
  7.     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。
  8.     return mx
  9. # 对features矩阵进行归一化处理（每行总和为1）
  10. 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。
  11. # 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
  12. 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. # 1.5 将数据转化为张量，并分配运算资源
  2. adj = torch.FloatTensor(adj.todense()) # 节点间关系 todense()方法将其转换回稠密矩阵。
  3. features = torch.FloatTensor(features.todense()) # 节点自身的特征
  4. labels = torch.LongTensor(labels) # 对每个节点的分类标签
  5.  
  6. # 划分数据集
  7. n_train = 200 # 训练数据集大小
  8. n_val = 300 # 验证数据集大小
  9. n_test = len(features) - n_train - n_val # 测试数据集大小
  10. np.random.seed(34)
  11. idxs = np.random.permutation(len(features)) # 将原有的索引打乱顺序
  12.  
  13. # 计算每个数据集的索引
  14. 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
  15. 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
  16. 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
  17.  
  18. # 分配运算资源
  19. adj = adj.to(device)
  20. features = features.to(device)
  21. labels = labels.to(device)
  22. idx_train = idx_train.to(device)
  23. idx_val = idx_val.to(device)
  24. 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. # 1.6 定义Mish激活函数与图卷积操作类
  2. def mish(x): # 性能优于RElu函数
  3.     return x * (torch.tanh(F.softplus(x)))
  4. # 图卷积类
  5. class GraphConvolution(nn.Module):
  6.     def __init__(self,f_in,f_out,use_bias = True,activation=mish):
  7.         # super(GraphConvolution, self).__init__()
  8.         super().__init__()
  9.         self.f_in = f_in
  10.         self.f_out = f_out
  11.         self.use_bias = use_bias
  12.         self.activation = activation
  13.         self.weight = nn.Parameter(torch.FloatTensor(f_in, f_out))
  14.         self.bias = nn.Parameter(torch.FloatTensor(f_out)) if use_bias else None
  15.         self.initialize_weights()
  16.  
  17.     def initialize_weights(self):# 对参数进行初始化
  18.         if self.activation is None: # 初始化权重
  19.             nn.init.xavier_uniform_(self.weight)
  20.         else:
  21.             nn.init.kaiming_uniform_(self.weight, nonlinearity='leaky_relu')
  22.         if self.use_bias:
  23.             nn.init.zeros_(self.bias)
  24.  
  25.     def forward(self,input,adj): # 实现模型的正向处理流程
  26.         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()
  27.         output = torch.mm(adj,support) # 将加工后的邻接矩阵放入点积运算
  28.         if self.use_bias:
  29.             output.add_(self.bias) # 加入偏置
  30.         if self.activation is not None:
  31.             output = self.activation(output) # 激活函数处理
  32.         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. # 1.7 搭建多层图卷积网络模型
  2. class GCN(nn.Module):
  3.     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
  4.         # super(GCN, self).__init__()
  5.         super().__init__()
  6.         layers = []
  7.         # 根据参数构建多层网络
  8.         for f_in, f_out in zip([f_in] + hidden[:-1], hidden):
  9.             # python 在list上的“+=”的重载函数是extend()函数，而不是+
  10.             # layers = [GraphConvolution(f_in, f_out)] + layers
  11.             layers += [GraphConvolution(f_in, f_out)]
  12.  
  13.         self.layers = nn.Sequential(*layers)
  14.         self.dropout_p = dropout_p
  15.         # 构建输出层
  16.         self.out_layer = GraphConvolution(f_out, n_classes, activation=None)
  17.  
  18.     def forward(self, x, adj): # 实现前向处理过程
  19.         for layer in self.layers:
  20.             x = layer(x,adj)
  21.         # 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
  22.         F.dropout(x,self.dropout_p,training=self.training,inplace=True)
  23.         return self.out_layer(x,adj)
  24.  
  25. n_labels = labels.max().item() + 1 # 获取分类个数7
  26. n_features = features.shape[1] # 获取节点特征维度 1433
  27. print(n_labels,n_features) # 输出7与1433
  28.  
  29. def accuracy(output,y): # 定义函数计算准确率
  30.     return (output.argmax(1) == y).type(torch.float32).mean().item()
  31.  
  32. ### 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。
  33. # 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。
  34. 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
  35.     model.train()
  36.     optimizer.zero_grad()
  37.     output = model(features,adj) # 将全部数据载入模型，只用训练数据计算损失
  38.     loss = F.cross_entropy(output[idx_train],labels[idx_train])
  39.     acc = accuracy(output[idx_train],labels[idx_train]) # 计算准确率
  40.     loss.backward()
  41.     optimizer.step()
  42.     return loss.item(),acc
  43.  
  44. 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
  45.     model.eval()
  46.     output = model(features, adj) # 将全部数据载入模型，用指定索引评估模型结果
  47.     loss = F.cross_entropy(output[idx], labels[idx]).item()
  48.     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. # 1.8 使用Ranger优化器训练模型并可视化
  2. model = GCN(n_features, n_labels, hidden=[16, 32, 16]).to(device)
  3.  
  4. from tqdm import tqdm
  5. from Cora_ranger import * # 引入Ranger优化器
  6. optimizer = Ranger(model.parameters()) # 使用Ranger优化器
  7.  
  8. # 训练模型
  9. epochs = 1000
  10. print_steps = 50
  11. train_loss, train_acc = [], []
  12. val_loss, val_acc = [], []
  13. for i in tqdm(range(epochs)):
  14.     tl,ta = step()
  15.     train_loss = train_loss + [tl]
  16.     train_acc = train_acc + [ta]
  17.     if (i+1) % print_steps == 0 or i == 0:
  18.         tl,ta = evaluate(idx_train)
  19.         vl,va = evaluate(idx_val)
  20.         val_loss = val_loss + [vl]
  21.         val_acc = val_acc + [va]
  22.         print(f'{i + 1:6d}/{epochs}: train_loss={tl:.4f}, train_acc={ta:.4f}' + f', val_loss={vl:.4f}, val_acc={va:.4f}')
  23.  
  24. # 输出最终结果
  25. final_train, final_val, final_test = evaluate(idx_train), evaluate(idx_val), evaluate(idx_test)
  26. print(f'Train     : loss={final_train[0]:.4f}, accuracy={final_train[1]:.4f}')
  27. print(f'Validation: loss={final_val[0]:.4f}, accuracy={final_val[1]:.4f}')
  28. print(f'Test      : loss={final_test[0]:.4f}, accuracy={final_test[1]:.4f}')
  29.  
  30. # 可视化训练过程
  31. fig, axes = plt.subplots(1, 2, figsize=(15,5))
  32. ax = axes[0]
  33. axes[0].plot(train_loss[::print_steps] + [train_loss[-1]], label='Train')
  34. axes[0].plot(val_loss, label='Validation')
  35. axes[1].plot(train_acc[::print_steps] + [train_acc[-1]], label='Train')
  36. axes[1].plot(val_acc, label='Validation')
  37. for ax,t in zip(axes, ['Loss', 'Accuracy']): ax.legend(), ax.set_title(t, size=15)
  38.  
  39. # 输出模型的预测结果
  40. output = model(features, adj)
  41. samples = 10
  42. idx_sample = idx_test[torch.randperm(len(idx_test))[:samples]]
  43. # 将样本标签与预测结果进行比较
  44. idx2lbl = {v:k for k,v in lbl2idx.items()}
  45. 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()]})
  46. 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

  1. from pathlib import Path # 引入提升路径的兼容性
  2. # 引入矩阵运算的相关库
  3. import numpy as np
  4. import pandas as pd
  5. from scipy.sparse import coo_matrix,csr_matrix,diags,eye
  6. # 引入深度学习框架库
  7. import torch
  8. from torch import nn
  9. import torch.nn.functional as F
  10. # 引入绘图库
  11. import matplotlib.pyplot as plt
  12. import os
  13. os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
  14.  
  15. # 1.1 导入基础模块，并设置运行环境
  16. # 输出计算资源情况
  17. device = torch.device('cuda')if torch.cuda.is_available() else torch.device('cpu')
  18. print(device) # 输出 cuda
  19.  
  20. # 输出样本路径
  21. path = Path('./data/cora')
  22. print(path) # 输出 cuda
  23.  
  24. # 1.2 读取并解析论文数据
  25. # 读取论文内容数据，将其转化为数据
  26. 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
  27. print(paper_features_label,np.shape(paper_features_label)) # 打印数据集内容与数据的形状
  28.  
  29. # 取出数据集中的第一列:论文ID
  30. papers = paper_features_label[:,0].astype(np.int32)
  31. print("论文ID序列：",papers) # 输出所有论文ID
  32. # 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
  33. paper2idx = {k:v for v,k in enumerate(papers)}
  34.  
  35. # 将数据中间部分的字标签取出，转化成矩阵
  36. features = csr_matrix(paper_features_label[:,1:-1],dtype=np.float32)
  37. print("字标签矩阵的形状：",np.shape(features)) # 字标签矩阵的形状
  38.  
  39. # 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
  40. labels = paper_features_label[:,-1]
  41. lbl2idx = { k:v for v,k in enumerate(sorted(np.unique(labels)))}
  42. labels = [lbl2idx[e] for e in labels]
  43. print("论文类别的索引号：",lbl2idx,labels[:5])
  44.  
  45. # 1.3 读取并解析论文关系数据
  46. # 读取论文关系数据，并将其转化为数据
  47. 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
  48. print(edges,np.shape(edges))
  49. # 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
  50. edges = np.asarray([paper2idx[e] for e in edges.flatten()],np.int32).reshape(edges.shape)
  51. print("新编号节点间的对应关系：",edges,edges.shape)
  52. # 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。
  53. adj = coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape=(len(labels), len(labels)), dtype=np.float32)
  54. # 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。
  55. adj_long = adj.multiply(adj.T < adj)
  56. adj = adj_long + adj_long.T
  57.  
  58. # 1.4 加工图结构的矩阵数据
  59. def normalize(mx): # 定义函数，对矩阵的数据进行归一化处理
  60.     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
  61.     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
  62.     r_inv[np.isinf(r_inv)] = 0.0 # 将NaN值取为0
  63.     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
  64.     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。
  65.     return mx
  66. # 对features矩阵进行归一化处理（每行总和为1）
  67. 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。
  68. # 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
  69. 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
  70.  
  71. # 1.5 将数据转化为张量，并分配运算资源
  72. adj = torch.FloatTensor(adj.todense()) # 节点间关系 todense()方法将其转换回稠密矩阵。
  73. features = torch.FloatTensor(features.todense()) # 节点自身的特征
  74. labels = torch.LongTensor(labels) # 对每个节点的分类标签
  75.  
  76. # 划分数据集
  77. n_train = 200 # 训练数据集大小
  78. n_val = 300 # 验证数据集大小
  79. n_test = len(features) - n_train - n_val # 测试数据集大小
  80. np.random.seed(34)
  81. idxs = np.random.permutation(len(features)) # 将原有的索引打乱顺序
  82.  
  83. # 计算每个数据集的索引
  84. 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
  85. 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
  86. 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
  87.  
  88. # 分配运算资源
  89. adj = adj.to(device)
  90. features = features.to(device)
  91. labels = labels.to(device)
  92. idx_train = idx_train.to(device)
  93. idx_val = idx_val.to(device)
  94. idx_test = idx_test.to(device)
  95.  
  96. # 1.6 定义Mish激活函数与图卷积操作类
  97. def mish(x): # 性能优于RElu函数
  98.     return x * (torch.tanh(F.softplus(x)))
  99. # 图卷积类
  100. class GraphConvolution(nn.Module):
  101.     def __init__(self,f_in,f_out,use_bias = True,activation=mish):
  102.         # super(GraphConvolution, self).__init__()
  103.         super().__init__()
  104.         self.f_in = f_in
  105.         self.f_out = f_out
  106.         self.use_bias = use_bias
  107.         self.activation = activation
  108.         self.weight = nn.Parameter(torch.FloatTensor(f_in, f_out))
  109.         self.bias = nn.Parameter(torch.FloatTensor(f_out)) if use_bias else None
  110.         self.initialize_weights()
  111.  
  112.     def initialize_weights(self):# 对参数进行初始化
  113.         if self.activation is None: # 初始化权重
  114.             nn.init.xavier_uniform_(self.weight)
  115.         else:
  116.             nn.init.kaiming_uniform_(self.weight, nonlinearity='leaky_relu')
  117.         if self.use_bias:
  118.             nn.init.zeros_(self.bias)
  119.  
  120.     def forward(self,input,adj): # 实现模型的正向处理流程
  121.         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()
  122.         output = torch.mm(adj,support) # 将加工后的邻接矩阵放入点积运算
  123.         if self.use_bias:
  124.             output.add_(self.bias) # 加入偏置
  125.         if self.activation is not None:
  126.             output = self.activation(output) # 激活函数处理
  127.         return output
  128.  
  129. # 1.7 搭建多层图卷积网络模型
  130. class GCN(nn.Module):
  131.     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
  132.         # super(GCN, self).__init__()
  133.         super().__init__()
  134.         layers = []
  135.         # 根据参数构建多层网络
  136.         for f_in, f_out in zip([f_in] + hidden[:-1], hidden):
  137.             # python 在list上的“+=”的重载函数是extend()函数，而不是+
  138.             # layers = [GraphConvolution(f_in, f_out)] + layers
  139.             layers += [GraphConvolution(f_in, f_out)]
  140.  
  141.         self.layers = nn.Sequential(*layers)
  142.         self.dropout_p = dropout_p
  143.         # 构建输出层
  144.         self.out_layer = GraphConvolution(f_out, n_classes, activation=None)
  145.  
  146.     def forward(self, x, adj): # 实现前向处理过程
  147.         for layer in self.layers:
  148.             x = layer(x,adj)
  149.         # 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
  150.         F.dropout(x,self.dropout_p,training=self.training,inplace=True)
  151.         return self.out_layer(x,adj)
  152.  
  153. n_labels = labels.max().item() + 1 # 获取分类个数7
  154. n_features = features.shape[1] # 获取节点特征维度 1433
  155. print(n_labels,n_features) # 输出7与1433
  156.  
  157. def accuracy(output,y): # 定义函数计算准确率
  158.     return (output.argmax(1) == y).type(torch.float32).mean().item()
  159.  
  160. ### 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。
  161. # 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。
  162. 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
  163.     model.train()
  164.     optimizer.zero_grad()
  165.     output = model(features,adj) # 将全部数据载入模型，只用训练数据计算损失
  166.     loss = F.cross_entropy(output[idx_train],labels[idx_train])
  167.     acc = accuracy(output[idx_train],labels[idx_train]) # 计算准确率
  168.     loss.backward()
  169.     optimizer.step()
  170.     return loss.item(),acc
  171.  
  172. 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
  173.     model.eval()
  174.     output = model(features, adj) # 将全部数据载入模型，用指定索引评估模型结果
  175.     loss = F.cross_entropy(output[idx], labels[idx]).item()
  176.     return loss, accuracy(output[idx], labels[idx])
  177.  
  178. # 1.8 使用Ranger优化器训练模型并可视化
  179. model = GCN(n_features, n_labels, hidden=[16, 32, 16]).to(device)
  180.  
  181. from tqdm import tqdm
  182. from Cora_ranger import * # 引入Ranger优化器
  183. optimizer = Ranger(model.parameters()) # 使用Ranger优化器
  184.  
  185. # 训练模型
  186. epochs = 1000
  187. print_steps = 50
  188. train_loss, train_acc = [], []
  189. val_loss, val_acc = [], []
  190. for i in tqdm(range(epochs)):
  191.     tl,ta = step()
  192.     train_loss = train_loss + [tl]
  193.     train_acc = train_acc + [ta]
  194.     if (i+1) % print_steps == 0 or i == 0:
  195.         tl,ta = evaluate(idx_train)
  196.         vl,va = evaluate(idx_val)
  197.         val_loss = val_loss + [vl]
  198.         val_acc = val_acc + [va]
  199.         print(f'{i + 1:6d}/{epochs}: train_loss={tl:.4f}, train_acc={ta:.4f}' + f', val_loss={vl:.4f}, val_acc={va:.4f}')
  200.  
  201. # 输出最终结果
  202. final_train, final_val, final_test = evaluate(idx_train), evaluate(idx_val), evaluate(idx_test)
  203. print(f'Train     : loss={final_train[0]:.4f}, accuracy={final_train[1]:.4f}')
  204. print(f'Validation: loss={final_val[0]:.4f}, accuracy={final_val[1]:.4f}')
  205. print(f'Test      : loss={final_test[0]:.4f}, accuracy={final_test[1]:.4f}')
  206.  
  207. # 可视化训练过程
  208. fig, axes = plt.subplots(1, 2, figsize=(15,5))
  209. ax = axes[0]
  210. axes[0].plot(train_loss[::print_steps] + [train_loss[-1]], label='Train')
  211. axes[0].plot(val_loss, label='Validation')
  212. axes[1].plot(train_acc[::print_steps] + [train_acc[-1]], label='Train')
  213. axes[1].plot(val_acc, label='Validation')
  214. for ax,t in zip(axes, ['Loss', 'Accuracy']): ax.legend(), ax.set_title(t, size=15)
  215.  
  216. # 输出模型的预测结果
  217. output = model(features, adj)
  218. samples = 10
  219. idx_sample = idx_test[torch.randperm(len(idx_test))[:samples]]
  220. # 将样本标签与预测结果进行比较
  221. idx2lbl = {v:k for k,v in lbl2idx.items()}
  222. 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()]})
  223. print(df)

3.2 Cora_ranger.py

  1. #Ranger deep learning optimizer - RAdam + Lookahead combined.
  2. #https://github.com/lessw2020/Ranger-Deep-Learning-Optimizer
  3.  
  4. #Ranger has now been used to capture 12 records on the FastAI leaderboard.
  5.  
  6. #This version = 9.3.19  
  7.  
  8. #Credits:
  9. #RAdam -->  https://github.com/LiyuanLucasLiu/RAdam
  10. #Lookahead --> rewritten by lessw2020, but big thanks to Github @LonePatient and @RWightman for ideas from their code.
  11. #Lookahead paper --> MZhang,G Hinton  https://arxiv.org/abs/1907.08610
  12.  
  13. #summary of changes: 
  14. #full code integration with all updates at param level instead of group, moves slow weights into state dict (from generic weights), 
  15. #supports group learning rates (thanks @SHolderbach), fixes sporadic load from saved model issues.
  16. #changes 8/31/19 - fix references to *self*.N_sma_threshold; 
  17.                 #changed eps to 1e-5 as better default than 1e-8.
  18.  
  19. import math
  20. import torch
  21. from torch.optim.optimizer import Optimizer, required
  22. import itertools as it
  23.  
  24.  
  25.  
  26. class Ranger(Optimizer):
  27.  
  28.     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):
  29.         #parameter checks
  30.         if not 0.0 <= alpha <= 1.0:
  31.             raise ValueError(f'Invalid slow update rate: {alpha}')
  32.         if not 1 <= k:
  33.             raise ValueError(f'Invalid lookahead steps: {k}')
  34.         if not lr > 0:
  35.             raise ValueError(f'Invalid Learning Rate: {lr}')
  36.         if not eps > 0:
  37.             raise ValueError(f'Invalid eps: {eps}')
  38.  
  39.         #parameter comments:
  40.         # beta1 (momentum) of .95 seems to work better than .90...
  41.         #N_sma_threshold of 5 seems better in testing than 4.
  42.         #In both cases, worth testing on your dataset (.90 vs .95, 4 vs 5) to make sure which works best for you.
  43.  
  44.         #prep defaults and init torch.optim base
  45.         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)
  46.         super().__init__(params,defaults)
  47.  
  48.         #adjustable threshold
  49.         self.N_sma_threshhold = N_sma_threshhold
  50.  
  51.         #now we can get to work...
  52.         #removed as we now use step from RAdam...no need for duplicate step counting
  53.         #for group in self.param_groups:
  54.         #    group["step_counter"] = 0
  55.             #print("group step counter init")
  56.  
  57.         #look ahead params
  58.         self.alpha = alpha
  59.         self.k = k 
  60.  
  61.         #radam buffer for state
  62.         self.radam_buffer = [[None,None,None] for ind in range(10)]
  63.  
  64.         #self.first_run_check=0
  65.  
  66.         #lookahead weights
  67.         #9/2/19 - lookahead param tensors have been moved to state storage.  
  68.         #This should resolve issues with load/save where weights were left in GPU memory from first load, slowing down future runs.
  69.  
  70.         #self.slow_weights = [[p.clone().detach() for p in group['params']]
  71.         #                     for group in self.param_groups]
  72.  
  73.         #don't use grad for lookahead weights
  74.         #for w in it.chain(*self.slow_weights):
  75.         #    w.requires_grad = False
  76.  
  77.     def __setstate__(self, state):
  78.         print("set state called")
  79.         super(Ranger, self).__setstate__(state)
  80.  
  81.  
  82.     def step(self, closure=None):
  83.         loss = None
  84.         #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.  
  85.         #Uncomment if you need to use the actual closure...
  86.  
  87.         #if closure is not None:
  88.             #loss = closure()
  89.  
  90.         #Evaluate averages and grad, update param tensors
  91.         for group in self.param_groups:
  92.  
  93.             for p in group['params']:
  94.                 if p.grad is None:
  95.                     continue
  96.                 grad = p.grad.data.float()
  97.                 if grad.is_sparse:
  98.                     raise RuntimeError('Ranger optimizer does not support sparse gradients')
  99.  
  100.                 p_data_fp32 = p.data.float()
  101.  
  102.                 state = self.state[p]  #get state dict for this param
  103.  
  104.                 if len(state) == 0:   #if first time to run...init dictionary with our desired entries
  105.                     #if self.first_run_check==0:
  106.                         #self.first_run_check=1
  107.                         #print("Initializing slow buffer...should not see this at load from saved model!")
  108.                     state['step'] = 0
  109.                     state['exp_avg'] = torch.zeros_like(p_data_fp32)
  110.                     state['exp_avg_sq'] = torch.zeros_like(p_data_fp32)
  111.  
  112.                     #look ahead weight storage now in state dict 
  113.                     state['slow_buffer'] = torch.empty_like(p.data)
  114.                     state['slow_buffer'].copy_(p.data)
  115.  
  116.                 else:
  117.                     state['exp_avg'] = state['exp_avg'].type_as(p_data_fp32)
  118.                     state['exp_avg_sq'] = state['exp_avg_sq'].type_as(p_data_fp32)
  119.  
  120.                 #begin computations 
  121.                 exp_avg, exp_avg_sq = state['exp_avg'], state['exp_avg_sq']
  122.                 beta1, beta2 = group['betas']
  123.  
  124.                 #compute variance mov avg
  125.                 exp_avg_sq.mul_(beta2).addcmul_(1 - beta2, grad, grad)
  126.                 #compute mean moving avg
  127.                 exp_avg.mul_(beta1).add_(1 - beta1, grad)
  128.  
  129.                 state['step'] += 1
  130.  
  131.  
  132.                 buffered = self.radam_buffer[int(state['step'] % 10)]
  133.                 if state['step'] == buffered[0]:
  134.                     N_sma, step_size = buffered[1], buffered[2]
  135.                 else:
  136.                     buffered[0] = state['step']
  137.                     beta2_t = beta2 ** state['step']
  138.                     N_sma_max = 2 / (1 - beta2) - 1
  139.                     N_sma = N_sma_max - 2 * state['step'] * beta2_t / (1 - beta2_t)
  140.                     buffered[1] = N_sma
  141.                     if N_sma > self.N_sma_threshhold:
  142.                         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'])
  143.                     else:
  144.                         step_size = 1.0 / (1 - beta1 ** state['step'])
  145.                     buffered[2] = step_size
  146.  
  147.                 if group['weight_decay'] != 0:
  148.                     p_data_fp32.add_(-group['weight_decay'] * group['lr'], p_data_fp32)
  149.  
  150.                 if N_sma > self.N_sma_threshhold:
  151.                     denom = exp_avg_sq.sqrt().add_(group['eps'])
  152.                     p_data_fp32.addcdiv_(-step_size * group['lr'], exp_avg, denom)
  153.                 else:
  154.                     p_data_fp32.add_(-step_size * group['lr'], exp_avg)
  155.  
  156.                 p.data.copy_(p_data_fp32)
  157.  
  158.                 #integrated look ahead...
  159.                 #we do it at the param level instead of group level
  160.                 if state['step'] % group['k'] == 0:
  161.                     slow_p = state['slow_buffer'] #get access to slow param tensor
  162.                     slow_p.add_(self.alpha, p.data - slow_p)  #(fast weights - slow weights) * alpha
  163.                     p.data.copy_(slow_p)  #copy interpolated weights to RAdam param tensor
  164.  
  165.         return loss

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/353349
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号