大家好,我是阿光。
本专栏整理了《图神经网络代码实战》,内包含了不同图神经网络的相关代码实现(PyG以及自实现),理论与实践相结合,如GCN、GAT、GraphSAGE等经典图网络,每一个代码实例都附带有完整的代码。
正在更新中~ ✨
🚨 我的项目环境:
- 平台:Windows10
- 语言环境:python3.7
- 编译器:PyCharm
- PyTorch版本:1.11.0
- PyG版本:2.1.0
对于本专栏的网络模型,分别使用了三种实现方式 PyG框架实现
、PyTorch实现
、Message Passing消息传递机制实现
,小伙伴可以按照自己的能力以及需求学习不同的实现方式。
注意 🚨:本目录中已存在的链接博文已全部写好,例如 + (一):节点分类 这类带有删除线的文章表示正在更新中,如果写完会去掉删除线,点击出现404表示文章还没有发布,后续根据情况陆续发布。
🌈『目录』
📢 PyG算子、数据集介绍
📢 图神经网络常见任务与应用场景
📢 图嵌入学习(Graph Embedding)
- (一):DeepWalk(PyG基于DeepWalk实现节点分类及其可视化)
- (二):Node2Vec(PyG基于Node2Vec实现节点分类及其可视化)
- (三):MetaPath2Vec(PyG基于MetaPath2Vec实现节点分类及其可视化)
+ (三):LINE
📢 图池化(Graph Pooling)
- (一):EdgePool(Pytorch+PyG实现EdgePool实现图分类)
- (二):TopKPool(Pytorch+PyG实现TopKPool实现图分类)
- (三):SAGPool(Pytorch+PyG实现SAGPool实现图分类)
- (四):ASAPool(Pytorch+PyG实现ASAPool实现图分类)
📢 MLP
📢 GCN
- (一):Pytorch+PyG实现GCN(基于PyG实现)
- (二):Pytorch实现GCN(基于PyTorch实现)
- (三):Pytorch实现GCN(基于Message Passing消息传递机制实现)
📢 GAT
- (一):Pytorch+PyG实现GAT(基于PyG实现)
- (二):Pytorch实现GAT(基于PyTorch实现)
- (三):Pytorch实现GAT(基于Message Passing消息传递机制实现)
📢 GIN
- (一):Pytorch+PyG实现GIN(基于PyG实现)
- (二):Pytorch实现GIN(基于PyTorch实现)
- (三):Pytorch实现GIN(基于Message Passing消息传递机制实现)
📢 GraphSAGE
- (一):Pytorch+PyG实现GraphSAGE(基于PyG实现)
- (二):Pytorch实现GraphSAGE(基于PyTorch实现)
- (三):Pytorch实现GraphSAGE(基于Message Passing消息传递机制实现)
📢 EdgeCNN
- (一):Pytorch+PyG实现EdgeCNN(基于PyG实现)
- (二):Pytorch实现EdgeCNN(基于PyTorch实现)
- (三):Pytorch实现EdgeCNN(基于Message Passing消息传递机制实现)
📢 GraphConv
- (一):Pytorch+PyG实现GraphConv(基于PyG实现)
- (二):Pytorch实现GraphConv(基于PyTorch实现)
- (三):Pytorch实现GraphConv(基于Message Passing消息传递机制实现)
注意🚨:所有文章使用的图数据是经典的 Cora
数据集,定义的训练轮数(200轮)以及损失函数优化器都是一致的,由于图网络很容易过拟合导致训练集的分类精度达到 99.9%
,所以下表中显示的数据都是基于测试集的。
Accuracy | Loss | |
---|---|---|
MLP | 0.1800 | 1.9587 |
GCN | 0.7200 | 1.3561 |
GAT | 0.7810 | 1.0362 |
GIN | 0.7650 | 0.9645 |
GraphSAGE | 0.7060 | 1.2712 |
EdgeCNN | 0.3790 | 1.7529 |
GraphConv | 0.6030 | 1.2378 |
来源地址:https://blog.csdn.net/m0_47256162/article/details/128738325