GIN简介
GIN（Graph Isomorphism Network）是一类基于图同构的神经网络。在传统的神经网络中，每个节点的特征只依赖于其自身特征，但在图数据中，节点的特征还与其邻居节点有关系。GIN网络通过定义可重复均值池化运算来学习节点及其邻居的特征表示，并使用多层感知器（MLP）作为逐层转换函数进行特征提取。
实现步骤
数据准备
这里我们仍然选用Cora数据集作为示例数据。由于GIN采用基于点、简单且无参数的邻域聚合方式，因此不需要额外对数据做处理，直接使用即可。
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.utils import from_networkx, to_networkx
# 加载Cora数据集
dataset = Planetoid(root='./cora', name='Cora')
data = dataset[0]
# 将nx.Graph形式的图转换成PyG需要的格式
graph = to_networkx(data)
data = from_networkx(graph)
# 获取节点数量和特征向量维度
num_nodes = data.num_nodes
num_features = dataset.num_features
num_classes = dataset.num_classes
# 建立需要训练的节点分割数据集
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
实现模型
接下来，我们需要定义GIN模型。
from torch_geometric.nn import global_mean_pool
class GIN(torch.nn.Module):
def __init__(self, hidden_dim, num_layers):
super(GIN, self).__init__()
self.conv1 = GINConv(mlp=nn.Sequential(nn.Linear(num_features, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, hidden_dim)))
self.convs = nn.ModuleList()
for _ in range(num_layers - 1):
self.convs.append(GINConv(mlp=nn.Sequential(nn.Linear(hidden_dim, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, hidden_dim))))
self.classify = nn.Sequential(nn.Linear(hidden_dim, num_classes))
def forward(self, data):
x, edge_index, batch = data.x, data.edge_index, data.batch
x = F.relu(self.conv1(x, edge_index))
for conv in self.convs:
x = F.relu(conv(x, edge_index))
out = global_mean_pool(x, batch)
return self.classify(out)
在上述代码中，我们实现了多层GIN的“可重复均值池化”结构，并使用MLP作为转换函数进行多层特征提取。
模型训练
定义好模型后，可以开始针对Cora数据集进行模型训练了。训练模型前先设置好优化器和损失函数，并指定训练周期及其过程中需要记录输出信息的参数。
from torch_geometric.nn import GINConv, global_add_pool
# 初始化GIN并指定参数
num_layers = 5
hidden_dim = 1024
model = GIN(hidden_dim=hidden_dim, num_layers=num_layers).to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.001, weight_decay=1e-06)
loss_func = nn.CrossEntropyLoss()
# 开始训练
for epoch in range(100):
model.train()
optimizer.zero_grad()
pred = model(train_data)
loss = loss_func(pred[train_mask], train_labels)
loss.backward()
optimizer.step()
# 在各个测试阶段检测一下准确率
with torch.no_grad():
model.eval()
pred = model(test_data)
test_loss = loss_func(pred[test_mask], test_labels).item()
pred = pred.argmax(dim=-1, keepdim=True)
correct = float(pred[test_mask].eq(test_labels.view(-1, 1)[test_mask]).sum().item())
acc = correct / test_mask.sum().item()
if epoch % 10 == 0:
print("Epoch {:03d}, Train Loss {:.4f}, Test Loss {:.4f}, Test Acc {:.4f}".format(
epoch, loss.item(), test_loss, acc))以上就是Pytorch+PyG实现GIN过程示例详解的详细内容，更多关于Pytorch PyG实现GIN的资料请关注编程网其它相关文章！
