PyG搭建GCN需要準備的數(shù)據(jù)格式
前言
有關(guān)GCN的原理可以參考：GCN圖卷積神經(jīng)網(wǎng)絡(luò)原理
一開始是打算手寫一下GCN，畢竟原理也不是很難，但想了想還是直接調(diào)包吧。在使用各種深度學(xué)習(xí)框架時我們首先需要知道的是框架內(nèi)的數(shù)據(jù)集結(jié)構(gòu)，因此這篇文章主要講講PyG中的數(shù)據(jù)結(jié)構(gòu)。
1. PyG數(shù)據(jù)集
原始論文中使用的數(shù)據(jù)集：
本篇文章使用Citeseer網(wǎng)絡(luò)。Citeseer網(wǎng)絡(luò)是一個引文網(wǎng)絡(luò)，節(jié)點為論文，一共3327篇論文。論文一共分為六類：Agents、AI（人工智能）、DB（數(shù)據(jù)庫）、IR（信息檢索）、ML（機器語言）和HCI。如果兩篇論文間存在引用關(guān)系，那么它們之間就存在鏈接關(guān)系。
使用PyG加載數(shù)據(jù)集：
data = Planetoid(root='/data/CiteSeer', name='CiteSeer') print(len(data))
輸出：
1
CiteSeer中只有一個網(wǎng)絡(luò)，然后我們輸出一下這個網(wǎng)絡(luò)：
data = data[0] print(data) print(data.is_directed())
輸出：
Data(x=[3327, 3703], edge_index=[2, 9104], y=[3327], train_mask=[3327], val_mask=[3327], test_mask=[3327]) False
x=[3327, 3703]。表示一共有3327個節(jié)點，然后節(jié)點的特征維度為3703，這里實際上是去除停用詞和在文檔中出現(xiàn)頻率小于10次的詞，整理得到3703個唯一詞。
edge_index=[2, 9104]，表示一共9104條edge。數(shù)據(jù)一共兩行，每一行都表示節(jié)點編號。
輸出一下data.y：
tensor([3, 1, 5, ..., 3, 1, 5])tensor([3, 1, 5, ..., 3, 1, 5])
data.y表示節(jié)點的標簽編號，比如3表示該篇論文屬于第3類。
輸出data.train_mask：
tensor([ True, True, True, ..., False, False, False])
data.train_mask的長度和y的長度一致，如果某個位置為True就表示該樣本為訓(xùn)練樣本。val_mask和test_mask類似，分別表示驗證集和訓(xùn)練集。
比如我們輸出：
print(data.y[data.test_mask])
結(jié)果為：
tensor([4, 5, 4, 4, 4, 1, 4, 2, 3, 3, 3, 3, 2, 3, 3, 4, 2, 0, 1, 2, 0, 3, 3, 4,
2, 4, 0, 4, 3, 3, 3, 5, 4, 5, 4, 5, 1, 1, 3, 3, 3, 3, 3, 1, 2, 3, 3, 3,
1, 2, 2, 3, 3, 1, 5, 5, 5, 3, 2, 3, 3, 3, 3, 3, 3, 3, 5, 1, 3, 1, 1, 4,
1, 3, 3, 1, 3, 3, 2, 4, 3, 3, 3, 1, 2, 2, 2, 3, 5, 2, 1, 3, 2, 2, 2, 4,
3, 3, 4, 0, 3, 1, 2, 2, 2, 2, 3, 2, 2, 2, 1, 1, 5, 2, 2, 1, 2, 4, 3, 1,
1, 3, 2, 3, 4, 3, 3, 4, 4, 3, 2, 2, 1, 3, 4, 4, 4, 4, 4, 4, 5, 0, 3, 1,
1, 3, 1, 3, 1, 3, 4, 4, 3, 2, 3, 5, 3, 3, 3, 4, 2, 2, 2, 5, 3, 1, 0, 3,
2, 5, 2, 3, 2, 4, 2, 2, 2, 0, 5, 1, 3, 4, 4, 4, 1, 1, 5, 1, 2, 0, 1, 0,
2, 2, 3, 3, 3, 3, 5, 4, 4, 3, 1, 1, 2, 1, 2, 2, 2, 2, 5, 0, 1, 2, 2, 4,
0, 4, 1, 1, 2, 3, 1, 1, 2, 3, 3, 5, 2, 5, 5, 3, 1, 0, 5, 5, 5, 5, 3, 3,
3, 0, 4, 5, 3, 4, 5, 4, 5, 2, 0, 5, 5, 5, 1, 1, 3, 1, 2, 2, 2, 3, 2, 4,
5, 3, 3, 1, 3, 1, 2, 2, 1, 3, 1, 3, 1, 2, 1, 2, 1, 2, 2, 2, 2, 5, 4, 4,
5, 0, 3, 4, 5, 4, 4, 4, 4, 4, 0, 0, 1, 4, 1, 1, 5, 0, 2, 2, 3, 3, 2, 2,
0, 0, 3, 2, 4, 1, 1, 0, 0, 1, 2, 2, 2, 2, 2, 0, 4, 0, 1, 4, 1, 1, 2, 2,
3, 3, 1, 3, 2, 4, 4, 0, 0, 3, 4, 4, 2, 2, 2, 5, 5, 2, 5, 5, 5, 5, 4, 0,
2, 2, 0, 2, 4, 5, 4, 0, 3, 3, 5, 3, 3, 4, 2, 1, 5, 5, 0, 1, 3, 3, 3, 5,
3, 3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 4, 2, 2, 0, 2, 2, 2, 2, 4, 3, 3,
5, 5, 4, 5, 2, 4, 4, 4, 5, 5, 4, 2, 2, 3, 3, 4, 4, 3, 1, 3, 2, 0, 5, 5,
5, 3, 4, 1, 4, 0, 5, 5, 0, 3, 0, 2, 3, 5, 3, 4, 2, 2, 3, 5, 1, 5, 3, 4,
5, 5, 2, 2, 4, 3, 3, 3, 3, 2, 2, 2, 2, 2, 3, 0, 0, 5, 1, 2, 3, 3, 1, 3,
2, 4, 3, 1, 3, 3, 3, 3, 3, 1, 0, 5, 4, 4, 1, 1, 3, 4, 4, 4, 4, 5, 4, 2,
2, 2, 2, 2, 2, 2, 3, 2, 2, 2, 1, 4, 0, 1, 4, 4, 4, 1, 2, 1, 5, 5, 2, 4,
4, 2, 2, 3, 1, 1, 0, 0, 2, 1, 0, 1, 5, 1, 2, 2, 3, 2, 0, 0, 3, 3, 3, 2,
2, 2, 1, 1, 1, 3, 3, 3, 5, 3, 5, 2, 3, 2, 3, 1, 5, 2, 2, 3, 3, 3, 1, 1,
1, 3, 3, 3, 3, 4, 4, 1, 4, 4, 1, 3, 3, 1, 0, 3, 5, 4, 4, 2, 4, 1, 0, 3,
1, 4, 1, 4, 4, 0, 5, 3, 2, 2, 2, 5, 5, 0, 4, 4, 1, 2, 2, 3, 3, 3, 5, 5,
5, 1, 5, 1, 4, 3, 1, 5, 5, 4, 4, 2, 3, 1, 0, 0, 5, 3, 1, 2, 1, 4, 1, 4,
1, 2, 2, 5, 1, 2, 1, 4, 5, 5, 1, 4, 5, 5, 1, 1, 5, 5, 3, 1, 0, 0, 1, 0,
0, 2, 0, 4, 3, 4, 3, 3, 1, 2, 3, 5, 3, 5, 5, 5, 5, 5, 3, 4, 4, 5, 4, 2,
2, 5, 1, 4, 4, 4, 3, 1, 5, 3, 1, 3, 4, 2, 2, 4, 2, 1, 5, 2, 2, 5, 5, 3,
3, 4, 1, 1, 2, 5, 3, 4, 4, 4, 5, 5, 1, 5, 5, 1, 5, 5, 1, 1, 1, 4, 2, 3,
5, 4, 1, 1, 4, 5, 2, 3, 1, 2, 1, 4, 1, 4, 1, 1, 1, 0, 0, 1, 5, 0, 2, 1,
1, 5, 1, 1, 3, 2, 3, 3, 1, 1, 2, 3, 2, 3, 5, 5, 5, 5, 5, 5, 5, 5, 5, 3,
3, 5, 2, 2, 3, 4, 4, 4, 4, 0, 3, 0, 3, 4, 1, 1, 3, 3, 0, 4, 5, 0, 0, 0,
2, 1, 3, 4, 5, 2, 1, 1, 3, 3, 4, 4, 4, 2, 2, 1, 5, 4, 0, 5, 5, 4, 3, 4,
5, 0, 3, 0, 3, 4, 4, 3, 3, 3, 3, 3, 3, 3, 5, 2, 0, 0, 1, 0, 0, 0, 3, 1,
5, 3, 2, 3, 5, 3, 3, 3, 1, 5, 5, 5, 5, 1, 2, 1, 4, 5, 4, 3, 3, 5, 5, 1,
4, 2, 5, 4, 1, 4, 4, 4, 4, 5, 5, 4, 3, 4, 3, 5, 3, 3, 1, 1, 0, 4, 4, 3,
1, 1, 1, 1, 3, 3, 3, 4, 3, 1, 4, 1, 1, 3, 5, 5, 5, 4, 4, 1, 3, 1, 4, 3,
3, 3, 1, 2, 2, 5, 3, 2, 5, 1, 3, 3, 5, 5, 4, 0, 3, 5, 5, 5, 1, 2, 2, 4,
1, 4, 5, 5, 5, 4, 5, 2, 1, 5, 4, 4, 0, 3, 5, 4, 1, 3, 3, 5, 4, 2, 1, 0,
1, 3, 2, 4, 3, 2, 4, 4, 1, 1, 0, 3, 3, 3, 1, 5])
可以發(fā)現(xiàn)，我們輸出的是測試集的內(nèi)容。
那么很顯然，如果我們最終得到了預(yù)測值，我們就可以通過以下代碼來計算分類的正確數(shù)：
correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
模型輸出的pred實際上包含了所有節(jié)點的預(yù)測值，而我們只需要取測試集中的內(nèi)容，即：
pred[data.test_mask]
然后再與data.y[data.test_mask]進行比較，最后計算二者對應(yīng)位置相等的個數(shù)即可。
2. 構(gòu)造數(shù)據(jù)集
如果我們需要的數(shù)據(jù)集在PyG中沒有，我們就需要自己手動構(gòu)造數(shù)據(jù)集。
例如對于一個無向圖，我們知道了其節(jié)點特征矩陣x：
x = torch.tensor([[-1, 1], [0, 1], [1, 3]], dtype=torch.float)
一共3個節(jié)點，每個節(jié)點具有兩個特征。
然后我們知道了節(jié)點間的鄰接關(guān)系：
edge_index = torch.tensor([[0, 1, 1, 2],
[1, 0, 2, 1]], dtype=torch.long)
一共4條邊，第一條邊為0->1，第2條邊為1->0。
然后我們就可以構(gòu)造數(shù)據(jù)集：
data = Data(x=x, edge_index=edge_index)
有關(guān)GCN的實現(xiàn)放在下一篇文章！
以上就是PyG搭建GCN需要準備的數(shù)據(jù)格式的詳細內(nèi)容，更多關(guān)于PyG搭建GCN數(shù)據(jù)格式的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
PySimpleGUI是一款很棒的自動化輔助模塊，讓你更輕松的實現(xiàn)日常任務(wù)的自動化。本文將利用PySimpleGUI編寫一個桌面自動翻譯工具，感興趣的可以了解一下2022-07-07
這篇文章主要給大家介紹了關(guān)于Python利用requests模塊下載圖片的相關(guān)資料，文中通過示例代碼介紹的非常詳細，對大家學(xué)習(xí)或者使用Python具有一定的參考學(xué)習(xí)價值，需要的朋友們下面來一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08
scipy稀疏數(shù)組coo_array的實現(xiàn)
Python中Parsel的兩種數(shù)據(jù)提取方式詳解
numpy中實現(xiàn)ndarray數(shù)組返回符合特定條件的索引方法
