图神经网络教程之GraphSAGE（pyG）

图神经网络-pyG-GAT

在上一章节介绍了pyG-GAT的使用，本文将介绍GraphSage模型的构建

实现了一个使用GraphSAGE（Graph Sample and Aggregated）的节点分类模型，该模型在Cora数据集上进行训练和测试。以下是代码的详细解释：

1. 首先，导入所需的库和模块：

   • torch_geometric.datasets.Planetoid：用于加载Cora数据集。
   • torch：PyTorch的主要库。
   • torch.nn.functional as F：PyTorch的神经网络函数模块，用于定义神经网络的层和操作。
   • torch_geometric.nn.SAGEConv：PyTorch Geometric库中的GraphSAGE层。
   • torch_geometric.nn.GATConv：PyTorch Geometric库中的图注意力网络层（Graph Attention Network，GATConv）。

2. 加载Cora数据集：

   dataset = Planetoid(root='./tmp/Cora', name='Cora')
   

   这行代码加载了Cora数据集，该数据集包括节点特征、图的边缘信息以及节点的真实标签。

3. 定义一个名为GraphSAGE_Net的神经网络类：

   class GraphSAGE_Net(torch.nn.Module):
   

   这个类继承自PyTorch的torch.nn.Module基类，表示它是一个神经网络模型。

4. 在GraphSAGE_Net类的构造函数中，定义了两个GraphSAGE层：

   def __init__(self, features, hidden, classes):
       super(GraphSAGE_Net, self).__init__()
       self.sage1 = SAGEConv(features, hidden)
       self.sage2 = SAGEConv(hidden, classes)
   

   • SAGEConv层是GraphSAGE层，用于从图数据中提取特征。
   • self.sage1是第一个GraphSAGE层，它将输入特征的维度设置为features，输出hidden维特征。
   • self.sage2是第二个GraphSAGE层，将hidden维特征映射到classes个类别。

5. 在forward方法中定义了前向传播过程：

   def forward(self, data):
       x, edge_index = data.x, data.edge_index
   
       x = self.sage1(x, edge_index)
       x = F.relu(x)
       x = F.dropout(x, training=self.training)
       x = self.sage2(x, edge_index)
   
       return F.log_softmax(x, dim=1)
   

   • 输入数据data包括节点特征x和边索引edge_index。
   • self.sage1和self.sage2分别表示第一层和第二层的GraphSAGE操作。
   • 使用ReLU激活函数进行非线性变换。
   • 使用Dropout层进行正则化。
   • 最后，通过F.log_softmax对输出进行softmax操作，以得到每个节点属于不同类别的概率分布。

6. 检查并设置GPU或CPU设备：

   device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
   

   这段代码会检查你的系统是否有可用的GPU，并将device设置为GPU或CPU，以便在相应的设备上运行模型。

7. 创建并将模型移动到所选设备上：

   model = GraphSAGE_Net(dataset.num_node_features, 16, dataset.num_classes).to(device)
   

   这将实例化GraphSAGE_Net模型，并将模型的参数和计算移动到GPU或CPU上。

8. 加载Cora数据集的第一个图数据实例：

   data = dataset[0]
   

   这将加载Cora数据集的第一个图数据实例，包括节点特征、图的边缘信息以及节点的真实标签。

9. 定义优化器（这里使用Adam优化器）：

   optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
   

   这行代码创建一个Adam优化器，并将模型的参数传递给它，用于模型参数的更新。学习率为0.01。

10. 将模型设置为训练模式：

    model.train()
    

    这行代码将模型切换到训练模式，以启用训练时的特定操作，如Dropout。

11. 开始训练循环，训练模型200个epoch：

    for epoch in range(200):
    

    这是一个训练循环，将模型训练200次。

12. 在每个epoch中，首先将优化器的梯度清零：

    optimizer.zero_grad()
    

    这行代码用于清除之前的梯度信息，以准备计算新的梯度。

13. 通过模型前向传播计算预测结果：

    out = model(data)
    

    这会将数据传递给你的GraphSAGE模型，然后返回模型的预测结果。

14. 计算损失函数，这里使用负对数似然损失（Negative Log-Likelihood Loss）：

    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    

    这行代码计算了在训练节点子集上的负对数似然损失。data.train_mask指定了用于训练的节点子集，data.y是节点的真实标签。

15. 反向传播和参数更新：

    loss.backward()
    optimizer.step()
    

    这两行代码用于计算梯度并执行梯度下降，更新模型的参数，以最小化损失函数。

16. 将模型设置为评估模式：

    model.eval()
    

    这行代码将模型切换到评估模式，以

便在测试数据上进行预测。

17. 在测试集上进行预测，并计算模型的准确性：

    _, pred = model(data).max(dim=1)
    correct = pred[data.test_mask].eq(data.y[data.test_mask]).sum()
    acc = int(correct) / int(data.test_mask.sum())
    print('GraphSAGE', acc)
    

    这段代码用于在测试数据上进行预测，并计算模型在测试集上的准确性。最终，它会打印出模型的准确性。

from torch_geometric.datasets import Planetoid
import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv, SAGEConv, GATConv

dataset = Planetoid(root='./tmp/Cora',name='Cora')
class GraphSAGE_Net(torch.nn.Module):
    def __init__(self, features, hidden, classes):
        super(GraphSAGE_Net, self).__init__()
        self.sage1 = SAGEConv(features, hidden)
        self.sage2 = SAGEConv(hidden, classes)
    def forward(self, data):
        x, edge_index = data.x, data.edge_index

        x = self.sage1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.sage2(x, edge_index)

        return F.log_softmax(x, dim=1)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GraphSAGE_Net(dataset.num_node_features, 16, dataset.num_classes).to(device)
data = dataset[0]
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

model.train()
for epoch in range(200):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()

model.eval()
_, pred = model(data).max(dim=1)
correct = pred[data.test_mask].eq(data.y[data.test_mask]).sum()
acc = int(correct)/ int(data.test_mask.sum())
print('GraphSAGE',acc)