GraphSAGE（Graph Sampling and Aggregation）是一種常見的圖神經(jīng)網(wǎng)絡(luò)模型，主要用于結(jié)點級別的表征學習。該模型基于采樣和聚合策略，將一個結(jié)點及其鄰居節(jié)點信息融合在一起，得到其表征表示，并通過多輪迭代更新來提高表征的精度。

實現(xiàn)步驟

數(shù)據(jù)準備

在本次實現(xiàn)中，我們?nèi)匀皇褂肅ora數(shù)據(jù)集作為示例進行測試，由于GraphSage主要聚焦于單一節(jié)點特征的更新，因此這里不需要對數(shù)據(jù)集做特別處理，只需要將數(shù)據(jù)轉(zhuǎn)化成PyG格式即可。

import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.utils import from_networkx, to_networkx
# 加載cora數(shù)據(jù)集
dataset = Planetoid(root='./cora', name='Cora')
data = dataset[0]
# 將nx.Graph形式的圖轉(zhuǎn)換成PyG需要的格式
graph = to_networkx(data)
data = from_networkx(graph)
# 獲取節(jié)點數(shù)量和特征向量維度
num_nodes = data.num_nodes
num_features = dataset.num_features
num_classes = dataset.num_classes
# 建立需要訓練的節(jié)點分割數(shù)據(jù)集
data.train_mask = torch.zeros(num_nodes, dtype=torch.bool)
data.val_mask = torch.zeros(num_nodes, dtype=torch.bool)
data.test_mask = torch.zeros(num_nodes, dtype=torch.bool)
data.train_mask[:num_nodes - 1000] = True
data.test_mask[-1000:] = True
data.val_mask[num_nodes - 2000: num_nodes - 1000] = True

實現(xiàn)模型

接下來，我們需要定義GraphSAGE模型。與傳統(tǒng)的GCN中只需要一層卷積操作不同，GraphSAGE包含兩層卷積和采樣（也稱“聚合”）操作。

from torch.nn import Sequential as Seq, Linear as Lin, ReLU
from torch_geometric.nn import SAGEConv
class GraphSAGE(torch.nn.Module):
    def __init__(self, hidden_channels, num_layers):
        super(GraphSAGE, self).__init__()
        self.convs = nn.ModuleList()
        for i in range(num_layers):
            in_channels = hidden_channels if i != 0 else num_features
            out_channels = num_classes if i == num_layers - 1 else hidden_channels
            self.convs.append(SAGEConv(in_channels, out_channels))
    def forward(self, x, edge_index):
        for _, conv in enumerate(self.convs[:-1]):
            x = F.relu(conv(x, edge_index))
        # 最后一層不用激活函數(shù)
        x = self.convs[-1](x, edge_index)
        return F.log_softmax(x, dim=-1)

在上述代碼中，我們實現(xiàn)了多層GraphSAGE卷積和相應(yīng)的聚合函數(shù)，并使用ReLU和softmax函數(shù)來進行特征提取和分類分數(shù)的輸出。

模型訓練

定義好模型之后，就可以開始針對Cora數(shù)據(jù)集進行模型訓練。首先還是需要先指定優(yōu)化器和損失函數(shù)，并設(shè)定一些參數(shù)用于記錄訓練過程中的信息，如Epochs、Batch size、學習率等。

# 初始化GraphSage并指定參數(shù)
num_layers = 2
hidden_channels = 256
model = GraphSAGE(hidden_channels, num_layers).to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
loss_func = nn.CrossEntropyLoss()
# 訓練過程
for epoch in range(500):
    model.train()
    optimizer.zero_grad()
    out = model(data.x.to(device), data.edge_index.to(device))
    loss = loss_func(out[data.train_mask], data.y.to(device)[data.train_mask])
    loss.backward()
    optimizer.step()
    # 在各個測試階段檢測一下準確率
    if epoch % 10 == 0:
        with torch.no_grad():
            _, pred = model(data.x.to(device), data.edge_index.to(device)).max(dim=1)
            correct = float(pred[data.test_mask].eq(data.y.to(device)[data.test_mask]).sum().item())
            acc = correct / data.test_mask.sum().item()
            print("Epoch {:03d}, Train Loss {:.4f}, Test Acc {:.4f}".format(
                epoch, loss.item(), acc))

在上述代碼中，我們使用有標記的訓練數(shù)據(jù)擬合GraphSAGE模型，在各個驗證階段測試準確率，并通過梯度下降法優(yōu)化損失函數(shù)。

以上就是Pytorch+PyG實現(xiàn)GraphSAGE過程示例詳解的詳細內(nèi)容，更多關(guān)于Pytorch PyG實現(xiàn)GraphSAGE的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: