學(xué)習(xí)有關(guān)圖神經(jīng)網(wǎng)絡(luò)的所有知識(shí)，包括 GNN 是什么，不同類型的圖神經(jīng)網(wǎng)絡(luò)，以及它們的用途。此外，了解如何使用 PyTorch 構(gòu)建圖神經(jīng)網(wǎng)絡(luò)。

　　為適合中文閱讀習(xí)慣，閱讀更有代入感，原文翻譯后有刪改。轉(zhuǎn)載請注明原文出處，并說明由我得學(xué)城翻譯整理。

? ? ? ? Abid Ali Awan| 作者?

1. 什么是圖？

圖是一種包含節(jié)點(diǎn)和邊的數(shù)據(jù)結(jié)構(gòu)。一個(gè)節(jié)點(diǎn)可以是一個(gè)人、地方或物體，邊定義了節(jié)點(diǎn)之間的關(guān)系。邊可以是有向的，也可以是無向的，基于方向性依賴關(guān)系。

在下面的示例中，藍(lán)色圓圈是節(jié)點(diǎn)，箭頭是邊。邊的方向定義了兩個(gè)節(jié)點(diǎn)之間的依賴關(guān)系。

讓我們了解一下復(fù)雜的圖數(shù)據(jù)集：爵士音樂家網(wǎng)絡(luò)。它包含198個(gè)節(jié)點(diǎn)和2742條邊。

爵士音樂家網(wǎng)絡(luò)https://datarepository.wolframcloud.com/resources/Jazz-Musicians-Network

在下面的社區(qū)圖中，不同顏色的節(jié)點(diǎn)代表爵士音樂家的各種社區(qū)，邊連接著它們。存在一種協(xié)作網(wǎng)絡(luò)，其中單個(gè)音樂家在社區(qū)內(nèi)外都有關(guān)系。

爵士音樂家網(wǎng)絡(luò)的社區(qū)圖

圖在處理具有關(guān)系和相互作用的復(fù)雜問題方面非常出色。它們在模式識(shí)別、社交網(wǎng)絡(luò)分析、推薦系統(tǒng)和語義分析中得到應(yīng)用。創(chuàng)建基于圖的解決方案是一個(gè)全新的領(lǐng)域，為復(fù)雜且相互關(guān)聯(lián)的數(shù)據(jù)集提供了豐富的見解。

2. 使用 NetworkX 創(chuàng)建圖

在本節(jié)中，我們將學(xué)習(xí)使用NetworkX創(chuàng)建圖。

下面的代碼受到 Daniel Holmberg 在 Python 中的圖神經(jīng)網(wǎng)絡(luò)博客的影響。

創(chuàng)建 networkx 的DiGraph對象“H”

添加包含不同標(biāo)簽、顏色和大小的節(jié)點(diǎn)

添加邊以創(chuàng)建兩個(gè)節(jié)點(diǎn)之間的關(guān)系。例如，“（0,1）”表示 0 對 1 有方向性依賴。我們將通過添加“（1,0）”來創(chuàng)建雙向關(guān)系

以列表形式提取顏色和大小

使用 networkx 的draw函數(shù)繪制圖

import?networkx?as?nx
H?=?nx.DiGraph()

#adding?nodes
H.add_nodes_from([
??(0,?{"color":?"blue",?"size":?250}),
??(1,?{"color":?"yellow",?"size":?400}),
??(2,?{"color":?"orange",?"size":?150}),
??(3,?{"color":?"red",?"size":?600})
])

#adding?edges
H.add_edges_from([
??(0,?1),
??(1,?2),
??(1,?0),
??(1,?3),
??(2,?3),
??(3,0)
])

node_colors?=?nx.get_node_attributes(H,?"color").values()
colors?=?list(node_colors)
node_sizes?=?nx.get_node_attributes(H,?"size").values()
sizes?=?list(node_sizes)

#?Plotting?Graph
nx.draw(H,?with_labels=True,?node_color=colors,?node_size=sizes)

?

?

在下一步中，我們將使用to_undirected()函數(shù)將數(shù)據(jù)結(jié)構(gòu)從有向圖轉(zhuǎn)換為無向圖。

#?轉(zhuǎn)換為無向圖
G?=?H.to_undirected()
nx.draw(G,?with_labels=True,?node_color=colors,?node_size=sizes)

3. 為什么分析圖很難？

基于圖的數(shù)據(jù)結(jié)構(gòu)存在一些缺點(diǎn)，數(shù)據(jù)科學(xué)家在開發(fā)基于圖的解決方案之前必須了解這些缺點(diǎn)。

圖存在于非歐幾里得空間中。它不在 2D 或 3D 空間中存在，這使得解釋數(shù)據(jù)變得更加困難。為了在 2D 空間中可視化結(jié)構(gòu)，您必須使用各種降維工具。

圖是動(dòng)態(tài)的；它們沒有固定的形式。可以存在兩個(gè)在視覺上不同的圖，但它們可能具有相似的鄰接矩陣表示。這使得使用傳統(tǒng)的統(tǒng)計(jì)工具來分析數(shù)據(jù)變得困難。

對于人類解讀來說，圖的規(guī)模和維度會(huì)增加圖的復(fù)雜性。具有多個(gè)節(jié)點(diǎn)和數(shù)千條邊的密集結(jié)構(gòu)更難理解和提取洞察。

4. 什么是圖神經(jīng)網(wǎng)絡(luò)（GNN）？

圖神經(jīng)網(wǎng)絡(luò)是一種特殊類型的神經(jīng)網(wǎng)絡(luò)，能夠處理圖數(shù)據(jù)結(jié)構(gòu)。它們受到卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和圖嵌入的很大影響。GNNs 用于預(yù)測節(jié)點(diǎn)、邊和基于圖的任務(wù)。

CNNs 用于圖像分類。類似地，GNNs 應(yīng)用于圖結(jié)構(gòu)（像素網(wǎng)格）以預(yù)測一個(gè)類。

循環(huán)神經(jīng)網(wǎng)絡(luò)用于文本分類。類似地，GNNs 應(yīng)用于圖結(jié)構(gòu)，其中每個(gè)單詞是句子中的一個(gè)節(jié)點(diǎn)。

GNNs 是在卷積神經(jīng)網(wǎng)絡(luò)由于圖的任意大小和復(fù)雜結(jié)構(gòu)而無法取得最佳結(jié)果時(shí)引入的。

圖像由 Purvanshi Mehta 提供

輸入圖經(jīng)過一系列神經(jīng)網(wǎng)絡(luò)。輸入圖結(jié)構(gòu)被轉(zhuǎn)換成圖嵌入，允許我們保留關(guān)于節(jié)點(diǎn)、邊和全局上下文的信息。

然后，節(jié)點(diǎn) A 和 C 的特征向量通過神經(jīng)網(wǎng)絡(luò)層。它聚合這些特征并將它們傳遞到下一層。

4.1 圖神經(jīng)網(wǎng)絡(luò)的類型

有幾種類型的神經(jīng)網(wǎng)絡(luò)，它們大多數(shù)都有一些卷積神經(jīng)網(wǎng)絡(luò)的變體。在本節(jié)中，我們將學(xué)習(xí)最流行的 GNNs。

圖卷積網(wǎng)絡(luò)（GCNs, Graph Convolutional Networks)類似于傳統(tǒng)的 CNNs。它通過檢查相鄰節(jié)點(diǎn)來學(xué)習(xí)特征。GNNs 聚合節(jié)點(diǎn)向量，將結(jié)果傳遞給稠密層，并使用激活函數(shù)應(yīng)用非線性。簡而言之，它包括圖卷積、線性層和非學(xué)習(xí)激活函數(shù)。有兩種主要類型的 GCNs：空間卷積網(wǎng)絡(luò)和頻譜卷積網(wǎng)絡(luò)。

圖自編碼器網(wǎng)絡(luò)(Graph Auto-Encoder Networks)使用編碼器學(xué)習(xí)圖表示，并嘗試使用解碼器重建輸入圖。編碼器和解碼器通過瓶頸層連接。它們通常用于鏈路預(yù)測，因?yàn)樽跃幋a器擅長處理類平衡問題。

循環(huán)圖神經(jīng)網(wǎng)絡(luò)（RGNNs, Recurrent Graph Neural Networks）學(xué)習(xí)最佳擴(kuò)散模式，它們可以處理單個(gè)節(jié)點(diǎn)具有多個(gè)關(guān)系的多關(guān)系圖。這種類型的圖神經(jīng)網(wǎng)絡(luò)使用正則化器來增強(qiáng)平滑性并消除過度參數(shù)化。RGNNs 使用更少的計(jì)算能力產(chǎn)生更好的結(jié)果。它們用于生成文本、機(jī)器翻譯、語音識(shí)別、生成圖像描述、視頻標(biāo)記和文本摘要。

門控圖神經(jīng)網(wǎng)絡(luò)（GGNNs, Gated Graph Neural Networks）在執(zhí)行具有長期依賴性的任務(wù)方面優(yōu)于 RGNNs。門控圖神經(jīng)網(wǎng)絡(luò)通過在長期依賴性上添加節(jié)點(diǎn)、邊和時(shí)間門來改進(jìn)循環(huán)圖神經(jīng)網(wǎng)絡(luò)。類似于門控循環(huán)單元（GRUs），門用于在不同狀態(tài)下記住和忘記信息。

4.2 圖神經(jīng)網(wǎng)絡(luò)任務(wù)類型

下面，我們列舉了一些圖神經(jīng)網(wǎng)絡(luò)任務(wù)類型，并提供了示例：

圖分類（Graph Classification:）：用于將圖分類為不同的類別。其應(yīng)用包括社交網(wǎng)絡(luò)分析和文本分類。

節(jié)點(diǎn)分類（Node Classification:）：這個(gè)任務(wù)使用相鄰節(jié)點(diǎn)的標(biāo)簽來預(yù)測圖中缺失的節(jié)點(diǎn)標(biāo)簽。

鏈路預(yù)測(Link Prediction)：預(yù)測圖中具有不完整鄰接矩陣的一對節(jié)點(diǎn)之間的鏈接。這通常用于社交網(wǎng)絡(luò)。

社區(qū)檢測(Community Detection)：基于邊的結(jié)構(gòu)將節(jié)點(diǎn)劃分為不同的群集。它類似地從邊的權(quán)重、距離和圖對象中學(xué)習(xí)。

圖嵌入(Graph Embedding)：將圖映射到向量，保留有關(guān)節(jié)點(diǎn)、邊和結(jié)構(gòu)的相關(guān)信息。

圖生成(Graph Generation:)：從樣本圖分布中學(xué)習(xí)，以生成一個(gè)新的但相似的圖結(jié)構(gòu)。

圖神經(jīng)網(wǎng)絡(luò)類型

4.3 圖神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)

使用 GNNs 存在一些缺點(diǎn)。了解這些缺點(diǎn)將幫助我們確定何時(shí)使用 GNN 以及如何優(yōu)化我們的機(jī)器學(xué)習(xí)模型的性能。

大多數(shù)神經(jīng)網(wǎng)絡(luò)可以深度學(xué)習(xí)以獲得更好的性能，而 GNNs 大多是淺層網(wǎng)絡(luò)，主要有三層。這限制了我們在大型數(shù)據(jù)集上獲得最先進(jìn)性能的能力。

圖結(jié)構(gòu)不斷變化，這使得在其上訓(xùn)練模型變得更加困難。

將模型部署到生產(chǎn)環(huán)境面臨可擴(kuò)展性問題，因?yàn)檫@些網(wǎng)絡(luò)在計(jì)算上很昂貴。如果您有一個(gè)龐大且復(fù)雜的圖結(jié)構(gòu)，將難以在生產(chǎn)環(huán)境中擴(kuò)展 GNNs。

5. 什么是圖卷積網(wǎng)絡(luò)（GCN）？

大多數(shù) GNNs 都是圖卷積網(wǎng)絡(luò)，了解它們在進(jìn)入節(jié)點(diǎn)分類教程之前很重要。

GCN 中的卷積與卷積神經(jīng)網(wǎng)絡(luò)中的卷積相同。它將神經(jīng)元與權(quán)重（濾波器）相乘，以從數(shù)據(jù)特征中學(xué)習(xí)。

它在整個(gè)圖像上充當(dāng)滑動(dòng)窗口，以從相鄰單元中學(xué)習(xí)特征。該濾波器使用權(quán)重共享在圖像識(shí)別系統(tǒng)中學(xué)習(xí)各種面部特征。

現(xiàn)在將相同的功能轉(zhuǎn)移到圖卷積網(wǎng)絡(luò)中，其中模型從相鄰節(jié)點(diǎn)中學(xué)習(xí)特征。GCN 和 CNN 之間的主要區(qū)別在于，GCN 被設(shè)計(jì)為在非歐幾里得數(shù)據(jù)結(jié)構(gòu)上工作，其中節(jié)點(diǎn)和邊的順序可能變化。

CNN vs GCN

有兩種類型的 GCNs：

空間圖卷積網(wǎng)絡(luò)(Spatial Graph Convolutional Networks)使用空間特征從位于空間空間的圖中學(xué)習(xí)。

頻譜圖卷積網(wǎng)絡(luò)(Spectral Graph Convolutional Networks)使用圖拉普拉斯矩陣的特征值分解進(jìn)行節(jié)點(diǎn)間的信息傳播。這些網(wǎng)絡(luò)靈感來自信號(hào)與系統(tǒng)中的波動(dòng)傳播。

6. 圖神經(jīng)網(wǎng)絡(luò)如何工作？使用 PyTorch 構(gòu)建圖神經(jīng)網(wǎng)絡(luò)

我們將構(gòu)建和訓(xùn)練用于節(jié)點(diǎn)分類模型的譜圖卷積。代碼源可在文末獲取，讓您體驗(yàn)并運(yùn)行您的第一個(gè)基于圖的機(jī)器學(xué)習(xí)模型。

6.1 準(zhǔn)備

我們將安裝 Pytorch 軟件包，因?yàn)?pytorch_geometric 是在其基礎(chǔ)上構(gòu)建的。

?

?

!pip?install?-q?torch

?

?

然后，我們將使用 torch 版本安裝 torch-scatter 和 torch-sparse。之后，我們將從 GitHub 安裝 pytorch_geometric 的最新版本。

?

?

%%capture
import?os
import?torch
os.environ['TORCH']?=?torch.__version__
os.environ['PYTHONWARNINGS']?=?"ignore"
!pip?install?torch-scatter?-f?https://data.pyg.org/whl/torch-${TORCH}.html
!pip?install?torch-sparse?-f?https://data.pyg.org/whl/torch-${TORCH}.html
!pip?install?git+https://github.com/pyg-team/pytorch_geometric.git

?

?

6.2 Planetoid Cora 數(shù)據(jù)集

Planetoid 是來自 Cora、CiteSeer 和 PubMed 的引文網(wǎng)絡(luò)數(shù)據(jù)集。節(jié)點(diǎn)是具有 1433 維詞袋特征向量的文檔，邊是研究論文之間的引文鏈接。有 7 個(gè)類別，我們將訓(xùn)練模型以預(yù)測缺失的標(biāo)簽。

我們將導(dǎo)入 Planetoid Cora 數(shù)據(jù)集，并對詞袋輸入特征進(jìn)行行標(biāo)準(zhǔn)化。之后，我們將分析數(shù)據(jù)集和第一個(gè)圖對象。

?

?

from?torch_geometric.datasets?import?Planetoid
from?torch_geometric.transforms?import?NormalizeFeatures

dataset?=?Planetoid(root='data/Planetoid',?name='Cora',?transform=NormalizeFeatures())

print(f'Dataset:?{dataset}:')
print('======================')
print(f'Number?of?graphs:?{len(dataset)}')
print(f'Number?of?features:?{dataset.num_features}')
print(f'Number?of?classes:?{dataset.num_classes}')

data?=?dataset[0]??#?Get?the?first?graph?object.
print(data)

?

?

Cora 數(shù)據(jù)集有 2708 個(gè)節(jié)點(diǎn)、10,556 條邊、1433 個(gè)特征和 7 個(gè)類別。第一個(gè)對象有 2708 個(gè)訓(xùn)練、驗(yàn)證和測試掩碼。我們將使用這些掩碼來訓(xùn)練和評估模型。

?

?

Dataset:?Cora():
======================
Number?of?graphs:?1
Number?of?features:?1433
Number?of?classes:?7
Data(x=[2708,?1433],?edge_index=[2,?10556],?y=[2708],?train_mask=[2708],?val_mask=[2708],?test_mask=[2708])

?

?

6.3 使用 GNN 進(jìn)行節(jié)點(diǎn)分類

我們將創(chuàng)建一個(gè)包含兩個(gè) GCNConv 層、relu 激活和 0.5 的丟棄率的 GCN 模型結(jié)構(gòu)。該模型包含 16 個(gè)隱藏通道。

GCN 層：

上述方程中的 W(?+1) 是一個(gè)可訓(xùn)練的權(quán)重矩陣，Cw,v 表示每個(gè)邊的固定標(biāo)準(zhǔn)化系數(shù)。

?

?

from?torch_geometric.nn?import?GCNConv
import?torch.nn.functional?as?F

class?GCN(torch.nn.Module):
????def?__init__(self,?hidden_channels):
????????super().__init__()
????????torch.manual_seed(1234567)
????????self.conv1?=?GCNConv(dataset.num_features,?hidden_channels)
????????self.conv2?=?GCNConv(hidden_channels,?dataset.num_classes)

????def?forward(self,?x,?edge_index):
????????x?=?self.conv1(x,?edge_index)
????????x?=?x.relu()
????????x?=?F.dropout(x,?p=0.5,?training=self.training)
????????x?=?self.conv2(x,?edge_index)
????????return?x

model?=?GCN(hidden_channels=16)
print(model)

>>>?GCN(
????(conv1):?GCNConv(1433,?16)
????(conv2):?GCNConv(16,?7)
??)

?

?

6.4 可視化未經(jīng)訓(xùn)練的 GCN 網(wǎng)絡(luò)

讓我們使用 sklearn.manifold.TSNE 和 matplotlib.pyplot 來可視化未經(jīng)訓(xùn)練的 GCN 網(wǎng)絡(luò)的節(jié)點(diǎn)嵌入。它將繪制一個(gè)包含 7 個(gè)維度節(jié)點(diǎn)嵌入的 2D 散點(diǎn)圖。

?

?

%matplotlib?inline
import?matplotlib.pyplot?as?plt
from?sklearn.manifold?import?TSNE

def?visualize(h,?color):
????z?=?TSNE(n_components=2).fit_transform(h.detach().cpu().numpy())

????plt.figure(figsize=(10,10))
????plt.xticks([])
????plt.yticks([])

????plt.scatter(z[:,?0],?z[:,?1],?s=70,?c=color,?cmap="Set2")
????plt.show()

?

?

然后我們將評估模型，然后將訓(xùn)練數(shù)據(jù)添加到未經(jīng)訓(xùn)練的模型中以可視化各種節(jié)點(diǎn)和類別。

?

?

model.eval()

out?=?model(data.x,?data.edge_index)
visualize(out,?color=data.y)

?

?

6.5 訓(xùn)練 GNN

我們將使用 Adam 優(yōu)化器和交叉熵?fù)p失函數(shù)(Cross-Entropy Loss)對模型進(jìn)行 100 輪訓(xùn)練。

在訓(xùn)練函數(shù)中，我們有：

清除梯度

執(zhí)行一次前向傳播

使用訓(xùn)練節(jié)點(diǎn)計(jì)算損失

計(jì)算梯度，并更新參數(shù)

在測試函數(shù)中，我們有：

預(yù)測節(jié)點(diǎn)類別

提取具有最高概率的類別標(biāo)簽

檢查有多少個(gè)值被正確預(yù)測

創(chuàng)建準(zhǔn)確率比，使用正確預(yù)測的總和除以節(jié)點(diǎn)的總數(shù)。

?

?

model?=?GCN(hidden_channels=16)
optimizer?=?torch.optim.Adam(model.parameters(),?lr=0.01,?weight_decay=5e-4)
criterion?=?torch.nn.CrossEntropyLoss()

def?train():
??????model.train()
??????optimizer.zero_grad()
??????out?=?model(data.x,?data.edge_index)
??????loss?=?criterion(out[data.train_mask],?data.y[data.train_mask])
??????loss.backward()
??????optimizer.step()
??????return?loss

def?test():
??????model.eval()
??????out?=?model(data.x,?data.edge_index)
??????pred?=?out.argmax(dim=1)
??????test_correct?=?pred[data.test_mask]?==?data.y[data.test_mask]
??????test_acc?=?int(test_correct.sum())?/?int(data.test_mask.sum())
??????return?test_acc


for?epoch?in?range(1,?101):
????loss?=?train()
????print(f'Epoch:?{epoch:03d},?Loss:?{loss:.4f}')
GAT(
??(conv1):?GATConv(1433,?8,?heads=8)
??(conv2):?GATConv(64,?7,?heads=8)
)

..?..?..?..
..?..?..?..
Epoch:?098,?Loss:?0.5989
Epoch:?099,?Loss:?0.6021
Epoch:?100,?Loss:?0.5799

?

?

6.6 模型評估

我們將使用測試函數(shù)在未見過的數(shù)據(jù)集上評估模型，如您所見，我們在準(zhǔn)確率上取得了相當(dāng)不錯(cuò)的結(jié)果，為 81.5%。

?

?

test_acc?=?test()
print(f'Test?Accuracy:?{test_acc:.4f}')

?

?

輸出：

?

?

>>>?測試準(zhǔn)確率：0.8150

?

?

現(xiàn)在，我們將可視化經(jīng)過訓(xùn)練的模型的輸出嵌入以驗(yàn)證結(jié)果。

?

?

model.eval()
out?=?model(data.x,?data.edge_index)
visualize(out,?color=data.y)

?

?

正如我們所看到的，經(jīng)過訓(xùn)練的模型為相同類別的節(jié)點(diǎn)產(chǎn)生了更好的聚類。

6.7 訓(xùn)練 GATConv 模型

在第二個(gè)例子中，我們將使用 GATConv 層替換 GCNConv。圖注意力網(wǎng)絡(luò)使用掩碼的自注意力層來解決 GCNConv 的缺點(diǎn)并取得最先進(jìn)的結(jié)果。

您還可以嘗試其他 GNN 層，并嘗試不同的優(yōu)化、丟失率和隱藏通道數(shù)量，以獲得更好的性能。

在下面的代碼中，我們只是用具有 8 個(gè)注意力頭的 GATConv 替換了 GCNConv，其中第一層有 8 個(gè)頭，第二層有 1 個(gè)頭。

我們還將設(shè)置：

dropout為 0.6

隱藏通道為 8

學(xué)習(xí)率為 0.005

我們修改了測試函數(shù)以找到特定掩碼（驗(yàn)證、測試）的準(zhǔn)確率。這將幫助我們在模型訓(xùn)練期間打印出驗(yàn)證和測試分?jǐn)?shù)。我們還將驗(yàn)證和測試結(jié)果存儲(chǔ)到后面的繪圖線圖中。

?

?

from?torch_geometric.nn?import?GATConv

class?GAT(torch.nn.Module):
????def?__init__(self,?hidden_channels,?heads):
????????super().__init__()
????????torch.manual_seed(1234567)
????????self.conv1?=?GATConv(dataset.num_features,?hidden_channels,heads)
????????self.conv2?=?GATConv(heads*hidden_channels,?dataset.num_classes,heads)

????def?forward(self,?x,?edge_index):
????????x?=?F.dropout(x,?p=0.6,?training=self.training)
????????x?=?self.conv1(x,?edge_index)
????????x?=?F.elu(x)
????????x?=?F.dropout(x,?p=0.6,?training=self.training)
????????x?=?self.conv2(x,?edge_index)
????????return?x

model?=?GAT(hidden_channels=8,?heads=8)
print(model)

optimizer?=?torch.optim.Adam(model.parameters(),?lr=0.005,?weight_decay=5e-4)
criterion?=?torch.nn.CrossEntropyLoss()

def?train():
??????model.train()
??????optimizer.zero_grad()
??????out?=?model(data.x,?data.edge_index)
??????loss?=?criterion(out[data.train_mask],?data.y[data.train_mask])
??????loss.backward()
??????optimizer.step()
??????return?loss

def?test(mask):
??????model.eval()
??????out?=?model(data.x,?data.edge_index)
??????pred?=?out.argmax(dim=1)
??????correct?=?pred[mask]?==?data.y[mask]
??????acc?=?int(correct.sum())?/?int(mask.sum())
??????return?acc

val_acc_all?=?[]
test_acc_all?=?[]

for?epoch?in?range(1,?101):
????loss?=?train()
????val_acc?=?test(data.val_mask)
????test_acc?=?test(data.test_mask)
????val_acc_all.append(val_acc)
????test_acc_all.append(test_acc)
????print(f'Epoch:?{epoch:03d},?Loss:?{loss:.4f},?Val:?{val_acc:.4f},?Test:?{test_acc:.4f}')

..?..?..?..
..?..?..?..
Epoch:?098,?Loss:?1.1283,?Val:?0.7960,?Test:?0.8030

Epoch:?099,?Loss:?1.1352,?Val:?0.7940,?Test:?0.8050

Epoch:?100,?Loss:?1.1053,?Val:?0.7960,?Test:?0.8040

?

?

正如我們所觀察到的，我們的模型并沒有比 GCNConv 表現(xiàn)得更好。它需要進(jìn)行超參數(shù)優(yōu)化或更多輪次的訓(xùn)練才能取得最先進(jìn)的結(jié)果。

6.8 模型評估

在評估部分，我們使用 matplotlib.pyplot 的折線圖可視化驗(yàn)證和測試分?jǐn)?shù)。

?

?

import?numpy?as?np

plt.figure(figsize=(12,8))
plt.plot(np.arange(1,?len(val_acc_all)?+?1),?val_acc_all,?label='Validation?accuracy',?c='blue')
plt.plot(np.arange(1,?len(test_acc_all)?+?1),?test_acc_all,?label='Testing?accuracy',?c='red')
plt.xlabel('Epochs')
plt.ylabel('Accurarcy')
plt.title('GATConv')
plt.legend(loc='lower?right',?fontsize='x-large')
plt.savefig('gat_loss.png')
plt.show()

?

?

經(jīng)過 60 輪次，驗(yàn)證和測試準(zhǔn)確率達(dá)到了穩(wěn)定的值，約為 0.8+/-0.02。

再次，讓我們可視化 GATConv 模型的節(jié)點(diǎn)聚類。

?

?

model.eval()

out?=?model(data.x,?data.edge_index)
visualize(out,?color=data.y)

?

?

正如我們所見，GATConv 層在相同類別的節(jié)點(diǎn)上產(chǎn)生了相同的聚類結(jié)果。

我們可以通過添加第二個(gè)驗(yàn)證數(shù)據(jù)集來減少過擬合，并通過嘗試來自 pytoch_geometric 的各種 GCN 層來提高模型性能。

GNN 常見問題

圖神經(jīng)網(wǎng)絡(luò)（GNN）用于什么？

圖神經(jīng)網(wǎng)絡(luò)直接應(yīng)用于圖數(shù)據(jù)集，您可以訓(xùn)練它們以預(yù)測節(jié)點(diǎn)、邊緣和與圖相關(guān)的任務(wù)。它用于圖和節(jié)點(diǎn)分類、鏈路預(yù)測、圖聚類和生成，以及圖像和文本分類。

在圖神經(jīng)網(wǎng)絡(luò)中，什么是圖？

在圖神經(jīng)網(wǎng)絡(luò)中，圖是一種包含節(jié)點(diǎn)和節(jié)點(diǎn)之間連接（稱為邊）的數(shù)據(jù)結(jié)構(gòu)。邊可以是有向的或無向的。它具有動(dòng)態(tài)形狀和多維結(jié)構(gòu)。例如，在社交媒體中，節(jié)點(diǎn)可以是您朋友群中的人，而邊則是您與每個(gè)人之間的關(guān)系。

圖神經(jīng)網(wǎng)絡(luò)有多強(qiáng)大？

在圖像和節(jié)點(diǎn)分類方面，圖神經(jīng)網(wǎng)絡(luò)優(yōu)于典型的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。許多圖神經(jīng)網(wǎng)絡(luò)的變體在節(jié)點(diǎn)和圖分類任務(wù)中取得了最先進(jìn)的結(jié)果 - openreview.net。

神經(jīng)網(wǎng)絡(luò)是否使用圖論？

是的，神經(jīng)網(wǎng)絡(luò)與設(shè)計(jì)用于處理非歐幾里得數(shù)據(jù)的圖論密切相關(guān)。其中一些神經(jīng)網(wǎng)絡(luò)本身就是圖，或者輸出圖。

什么是圖卷積網(wǎng)絡(luò)？

圖卷積網(wǎng)絡(luò)類似于用于圖數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)。它包括圖卷積、線性層和非線性激活。GNN 通過圖上的濾波器，檢查可用于對數(shù)據(jù)中的節(jié)點(diǎn)進(jìn)行分類的節(jié)點(diǎn)和邊。

在深度學(xué)習(xí)中，什么是圖？

圖深度學(xué)習(xí)也被稱為幾何深度學(xué)習(xí)。它使用多個(gè)神經(jīng)網(wǎng)絡(luò)層以實(shí)現(xiàn)更好的性能。這是一個(gè)活躍的研究領(lǐng)域，科學(xué)家們正試圖在不影響性能的情況下增加層數(shù)。

審核編輯：黃飛