Pytorch PyG实现EdgePool图分类_开发_开发者

EdgePool简介

EdgePool是一种用于图分类的卷积神经网络（Convolutional Neural Network，CNN）模型。其主要思想是通过 edge pooling 上下采样优化图像大小，减少空间复杂度，提高分类性能。

实现步骤

2.1 数据准备

一般来讲，在构建较大规模数据集时，我们都需要对数据进行规范、归一和清洗处理，以便后续语义分析或深度学习操作。而在图像数据集中，则需使用特定的框架或工具库完成。

# 导入MNIST数据集
from torch_geometric.datasets import MNISTSuperpixels
# 加载数编程客栈据、划分训练集和测试集
dataset = MNISTSuperpixels(root='./mnist', transform=Compose([ToTensor(), NormalizeMeanStd()]))
data = dataset[0]
# 定义超级参数
num_features = dataset.num_features
num_classes = dataset.num_classes
# 构建训练集和测试集索引文件
train_mask = torch.zeros(data.num_nodes, dtype=torch.uint8开发者_JS教程)
train_mask[:60000] = 1
test_mask = torch.zeros(data.num_nodes, dtype=torch.uint8)
test_mask[60000:] = 1
# 创建数据加载器
train_loader = DataLoader(data[train_mask], BATch_size=32, shuffle=True)
test_loader = DataLoader(data[test_mask], batch_size=32, shuffle=False)

2.2 实现模型

在定义EdgePool模型时，我们需要重新考虑网络结构中的上下采样操作，以便让整个网络拥有更强大的表达能力，从而学习到更复杂的关系。

from torch.nn import Linear
from torch_geometric.nn import EdgePooling
class EdgePool(torch.nn.Module):
    def __init__(self, dataset):
        super(EdgePool, self).__init__()
        # 定义输入与输出维度数
        self.input_dim = dataset.num_features
        self.hidden_dim = 128
        self.output_dim = 10
        # 定义卷积层、归一化层和pooling层等
        self.conv1 = GCNConv(self.input_dim, self.hidden_dim)
        self.norm1 = BatchNorm1d(self.hidden_dim)
        self.pool1 = EdgePooling(self.hidden_dim)
        self.conv2 = GCNConv(self.hidden_dim, self.hidden_dim)
        self.norm2 = BatchNorm1d(self.hidden_dim)
        self.pool2 = EdgePooling(self.hidden_dim)
        self.conv3 = GCNConv(self.hidden_dim, self.hidden_dim)
        self.norm3 = BatchNorm1d(self.hidden_dim)
        self.pool3 = EdgePooling(self.hidden_dim)
        self.lin = torch.nn.Linear(self.hidden_dim, self.output_dim)
    def forward(self, x, edge_index, batch):
        x = F.relu(self.norm1(self.conv1(x, edge_index)))
        x, edge_index, _, batch, _ = self.pool1(x, edge_index, None, batch)
        x = F.relu(self.norm2(self.conv2(x, edge_index)))
        x, edge_index, _, batch, _ = self.pool2(x编程客栈, edge_index, None, batch)
        x = F.relu(self.norm3(self.conv3(x, edge_index)))
        x, edge_index, _, batch, _ = self.pool3(x, edge_index, None, batch)
        x = global_mean_pool(x, batch)
        x = self.lin(x)
        return x

在上述代码中，我们使用了不同的卷积层、池化层和全连接层等神经网络功能块来构建EdgePool模型。其中，每个 GCNConv 层被保持为128的隐藏尺寸；BatchNorm1d是一种旨在提高收敛速度并增强网络泛化能力的方法；EdgePooling是一种在 GraphConvolution 上附加的特殊类别，它将给定图下采样至其一半的大小，并返回缩小后的图与两个跟踪full-graph-to-pool双向映射（keep and senders）的 edge index（edgendarcs）。在这种情况下传递 None ，表明 batch 未更改。

2.3 模型训练

在定义好 EdgePool 网络结构之后，需要指定合适的优化器、损失函数，并控制训练轮数、批量大小与学习率等超参数。同时还要记录大量日志信息，方便后期跟踪和驾驶员。

# 定义训练计划，包括损失函数、优化器及迭代次数等
train_epochs = 50
learning_rate = 0.01
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adamjavascript(edge_pool.parameters(), lr=learning_rate)
losses_per_epoch = []
accuracies_per_epoch = []
for epoch in range(train_epochs):
    running_loss = 0.0
    running_corrects = 0.0
    count = 0.0
    for samples in train_loader:
        optimizer.zero_grad()
        x, edge_index, batch = samples.x, samples.edge_index, samples.batch
        out = edge_pool(x, edge_index, batch)
        label = samples.y
        loss = criterion(out, label)
        loss.backward()
        optimizer.step()
        running_loss += loss.item() / len(train_loader.dataset)
        pred = out.argmax(dim=1)
        running_corrects += pred.eq(label).sum(js).item() / len(train_loader.dataset)
        count += 1
    losses_per_epoch.append(running_loss)
    accuracies_per_epoch.append(running_corrects)
    if (epoch + 1) % 10 == 0:
        print("Train Epoch {}/{} Loss {:.4f} Accuracy {:.4f}".format(
           编程客栈 epoch + 1, train_epochs, running_loss, running_corrects))

在训练过程中，我们遍历了每个批次的数据，并通过反向传播算法进行优化，并更新了 loss 和 accuracy 输出值。同时方便可视化与记录，需要将训练过程中的 loss 和 accuracy 输出到相应的容器中，以便后期进行分析和处理。

以上就是Pytorch PyG实现EdgePool图分类的详细内容，更多关于Pytorch PyG EdgePool图分类的资料请关注我们其它相关文章！