gcn模型

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
# Import useful packages
from __future__ import absolute_import
from __future__ import print_function
from __future__ import division
 
# Hide the Configuration and Warnings
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '3'
 
import tensorflow as tf
import numpy as np
import pandas as pd
from scipy import sparse
from Models.Network.lib_for_GCN import GCN_Model, graph, coarsening
from Models.DatasetAPI.DataLoader import DatasetLoader
 
# Model Name
Model = 'Graph_Convolutional_Neural_Network'
 
# Clear all the stack and use GPU resources as much as possible
tf.reset_default_graph()
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
 
# Your Dataset Location, for example EEG-Motor-Movement-Imagery-Dataset
# The CSV file should be named as training_set.csv, training_label.csv, test_set.csv, and test_label.csv
DIR = 'DatasetAPI/EEG-Motor-Movement-Imagery-Dataset/'
SAVE = 'Saved_Files/' + Model + '/'
if not os.path.exists(SAVE):  # If the SAVE folder doesn't exist, create one
    os.mkdir(SAVE)
 
# Load the dataset, here it uses one-hot representation for labels
train_data, train_labels, test_data, test_labels = DatasetLoader(DIR=DIR)
 
# Read the Adjacency matrix
Adjacency_Matrix = pd.read_csv(DIR + 'Adjacency_Matrix.csv', header=None)
Adjacency_Matrix = np.array(Adjacency_Matrix).astype('float32')
Adjacency_Matrix = sparse.csr_matrix(Adjacency_Matrix)
 
# This is the coarsen levels, you can definitely change the level to observe the difference
graphs, perm = coarsening.coarsen(Adjacency_Matrix, levels=5, self_connections=False)
X_train = coarsening.perm_data(train_data, perm)
X_test  = coarsening.perm_data(test_data,  perm)
 
# Obtain the Graph Laplacian
L = [graph.laplacian(Adjacency_Matrix, normalized=True) for Adjacency_Matrix in graphs]
 
# Hyper-parameters
params = dict()
params['dir_name']       = Model
params['num_epochs']     = 100
params['batch_size']     = 1024
params['eval_frequency'] = 100
 
# Building blocks.
params['filter'] = 'chebyshev5'
params['brelu']  = 'b2relu'
params['pool']   = 'mpool1'
 
# Architecture.
params['F'] = [16, 32, 64, 128, 256, 512]  # Number of graph convolutional filters.
params['K'] = [2, 2, 2, 2, 2, 2]           # Polynomial orders.
params['p'] = [2, 2, 2, 2, 2, 2]           # Pooling sizes.
params['M'] = [4]                          # Output dimensionality of fully connected layers.
 
# Optimization.
params['regularization'] = 0.001     # L2 regularization
params['dropout']        = 0.50      # Dropout rate
params['learning_rate']  = 0.000001  # Learning rate
params['decay_rate']     = 1         # Learning rate Decay == 1 means no Decay
params['momentum']       = 0         # momentum == 0 means Use Adam Optimizer
params['decay_steps']    = np.shape(train_data)[0] / params['batch_size']
 
# Train model
model = GCN_Model.cgcnn(L, **params)
accuracy, loss, t_step = model.fit(X_train, train_labels, X_test, test_labels)
解释每行代码的详细功能

• 第1行代码 #!/usr/bin/env python 是一个shebang，用于指定该脚本使用的解释器。在这里，它指定使用环境中的Python解释器来执行脚本。
• 第3行到第12行是一些导入语句，用于导入所需的包和模块。
• 第15行到第17行是隐藏配置和警告的代码，通过设置TF_CPP_MIN_LOG_LEVEL环境变量为3，将TensorFlow的配置和警告信息隐藏起来，只输出错误信息。
• 第19行到第23行是创建一个TensorFlow会话的代码，该会话配置允许动态分配GPU资源。
• 第26行设置了一个变量Model，用于存储模型的名称。
• 第29行到第34行是定义了一些路径的代码，用于存储训练和测试过程中产生的结果文件。
• 第37行到第41行使用DatasetLoader模块加载数据集，将训练集和测试集分别存储在train_data、train_labels、test_data和test_labels中。
• 第44行到第48行读取了一个邻接矩阵，并将其转换为稀疏矩阵的格式。
• 第51行到第52行使用coarsen函数对邻接矩阵进行多层次的下采样，得到一系列的图和顶点的排列。
• 第53行和第54行使用coarsen.perm_data函数对训练集和测试集进行排列，保持和图一致的排列顺序。
• 第58行到第66行计算了图的拉普拉斯矩阵。
• 第69行到第71行定义了一些超参数。
• 第74行到第83行定义了模型的参数，包括滤波器类型、非线性激活函数、池化方法以及每一层的输出维度。
• 第86行到第94行定义了优化器的参数，包括正则化参数、dropout率、学习率、学习率衰减率、动量和衰减步数。
• 第97行创建了一个GCN_Model.cgcnn的实例，即一个图卷积神经网络模型。
• 第98行调用fit方法对模型进行训练，返回训练过程中的准确率、损失和训练步数。