GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））

刘大彪

已于 2022-09-17 10:32:29 修改

阅读量2.1k

点赞数 3

文章标签：机器学习人工智能深度学习 pytorch 图论

于 2022-09-15 21:16:14 首次发布

本文链接：https://blog.youkuaiyun.com/jkokj23153/article/details/126873839

版权

不足之处请大家多多指点！

文章目录

链接
代码详解

链接

论文题目：用图卷积网络进行自监督分类（GCN）（2017ICLR）

论文链接：1609.02907v3.pdf (arxiv.org)

代码链接：tkipf/pygcn: Graph Convolutional Networks in PyTorch (github.com)

代码讲解（非本人）：4.1_GCN代码_哔哩哔哩_bilibili

注意：这里给的代码链接是用PyTorch实现的，原始论文中的代码是用Tensorflow实现的，有兴趣的可以自己玩：tkipf/gcn: Implementation of Graph Convolutional Networks in TensorFlow (github.com)

代码详解

1.数据集介绍

Cora数据集主要由机器学习论文组成，共分为七类：

Case_Based

Genetic_Algorithms

Neural_Networks

Probabilistic_Methods

Reinforcement_Learning

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

刘大彪

关注关注

3
点赞
踩
36

收藏

觉得还不错? 一键收藏
8
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

[论文解读]All in one：: Multi-Task Prompting for Graph Neural Networks图神经网络的多任务提示

强化学习曾小健

02-26

1828

这个函数可能是对提示图参数进行操作的某种计算，比如根据这些参数生成新的节点表示，或者更新模型的状态以适应新任务。在不同的上下文中，函数 f(θ) 可以有不同的具体含义，它通常会涉及到如何使用这些参数来影响模型的行为或其对数据的处理方式。不过，由于我无法直接查看PDF文件的内容，所以这里的解释是基于常见的机器学习和深度学习术语的一般性解释。提示图是一种用于调整预训练模型以适应特定任务的结构，这些参数可能包括用于构造提示的节点和边的权重，或者其他用于定义提示图结构的属性。与原始图 G 结合后的新表达式。

《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》代码详解（Tensorflow版）

LIYUO94的博客

06-11

1616

paper链接 code链接文件目录结构：运行要求： ‘numpy>=1.15.4’, ‘tensorflow>=1.15.2,<2.0’, ‘networkx>=2.2’, ‘scipy>=1.1.0’ setuptools==40.6.3 可通过bash运行setup.py 安装运行必要的包版本。数据集：载入数据的维度（以Cora数据集为例） adj(邻接矩阵)：由于比较稀疏，邻接矩阵格式是LIL的，并且shape为(2708, 2708) features

8 条评论您还未登录，请先登录后发表或查看评论

[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks

01-21

本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg

SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS代码注解

qq_44015059的博客

05-07

999

论文地址：https://arxiv.org/abs/1609.02907 代码地址：https://gitee.com/lxk_yb/pygcn train.py from __future__ import division from __future__ import print_function import time import argparse # argparse 是pytho...

文章综述——SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

weixin_42358688的博客

11-05

2180

摘要：提出了一种可扩展的在图结构数据上进行半监督学习的方法，它基于一种直接在图上操作的卷积神经网络的有效变体。我们通过频谱图卷积的局部一阶近似来激励卷积架构的选择。我们的模型以图形边的数量线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在一些引用网络和知识图数据集的实验中，我们证明了我们的方法有显著性作用正文：我们考虑了对图(如引用网络)中的节点(如文档)进行分类的问题，其中标签只对一小部分节点可用。这个问题可以被框定为基于图的半监督学习，通过某种形式的显式基...

[论文笔记] [2017] [ICLR] Semi-Supervised Classification with Graph Convolutional Networks

Alexzhuan

06-21

834

这是Kipf博士期间发表在ICLR’17的一篇论文，在GCN的相关工作中很具影响力，目前被引了3k多次。它的主要贡献在于对 [1] 中的Chebyshev多项式做了一阶估计，提出了一个简单但有效的 propagation rule（GCN层），并且在 graph-based semi-supervised learning 任务上有不错的表现。 Graph-based semi-supervised learning 在图上节点分类问题上（只有一部分节点有label），经典的方法主要有两类：加入图拉普拉斯正

《基于图卷积网络的半监督分类》阅读笔记

LIYUO94的博客

07-03

2244

《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》该文于2017发表于 ICLR 会议作者：Max Welling、Thomas N. Kipf 机构：阿姆斯特丹大学 paper链接 code链接摘要：我们提出了一种可扩展的基于图结构数据的半监督学习方法，该方法基于卷积神经网络的一种有效变体，该网络直接在图上操作。我们通过谱图卷积的局域一阶近似来激励我们的卷积结构的选择。我们的模型在图的边数中线性缩放，并学习同时编码局

CompGCN: Composition-based multi-relational graph convolutional network

W 的一些小感想

04-04

4820

1 前言本文发表于ICLR 2020, 作者单位是印度科技学院，作者之一 Partha Talukdar 是我很早就开始关注的以为知识图谱方向的作者，在GNN趋势的引导下，作者也开始将研究中心转为知识图谱与GNN的结合。他的个人主页为 http://www.talukdar.net/，下面给出了该作者在2019年发表的一些成果。本博客主要用于学术交流，属于原创，如有引用请注明。另：文中内容如...

GCN代码分析

haoji007的博客

11-04

8060

0.简单的跑通代码 0.1 运行环境 tensorflow (>0.12) networkx 0.2 运行方法 cd gcn python train.py 1. 数据 1.1 使用自己的数据为了使用自己的数据，必须提供：（1）一个NN的邻接矩阵（N是节点的数量）；an N by N adjacency matrix (N is the number of node...

Lane-GCN代码（轨迹预测）

07-04

LaneGCN源码分享

GCN

03-28

许可证系统

【GCN】代码详解 (2) 主体框架【pytorch】可运行版本

WANGYANG的博客

05-31

2785

在前文中，已经对图卷积神经网络（Graph Convolutional Neural Networks, GCN）的理论基础和如何运行进行了深入探讨解读。接下来的章节将会进入新的阶段——将借助PyTorch，这一强大的深度学习框架，通过实战讲解来展示如何构建和训练一个图卷积神经网络。这一过程不仅将帮助读者巩固理论知识，更重要的是，它将引导读者迈出理论到实践的关键一步，从而在处理具有图结构数据的问题上实现质的飞跃。通过本章节的学习，希望读者能够掌握图神经网络在主体代码。

GCN--SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

travalscx的博客

12-05

715

图卷积有谱卷积和空间域的卷积，这篇论文是谱卷积。此篇论文的入门：https://tkipf.github.io/graph-convolutional-networks/ 耐心看，收获很大。这篇论文是谱卷积其实就是将傅立叶的图滤波一步步推成神经网络。推导的过程参考原文，或者一个博客：https://blog.youkuaiyun.com/chensi1995/article/details/772320...

《Semi-Supervised Classification with Graph Convolutional Networks》—GCN代码笔记分享

sober0314的博客

05-20

505

太久妹好好学习了···连笔记都懒得分享了，不愧是你，老渔夫了算了算了，分享一个上学期学GCN的代码笔记吧，直接贴照片了（懒狗Orz） pdf见链接

GCN代码

qq_39694857的博客

10-11

1445

代码可以在github上fork,本文主要是加了一些注释，并且搭配本人所作笔记【GCN代码笔记】 layers.py import math import torch from torch.nn.parameter import Parameter from torch.nn.modules.module import Module class GraphConvolution(Module): """ Simple GCN layer, similar to https://arx

Semi-Supervised Classification with Graph Convolutional Networks

deye1979的专栏

05-02

617

Kipf, Thomas N., and Max Welling. "Semi-supervised classification with graph convolutional networks."arXiv preprint arXiv:1609.02907(2016). 作者对Convolutional Neural Networks on Graphs w...

GCN: Semi-Supervised Classification With Graph Convolutional networks

u011630472的博客

04-11

1446

本论文对新手学习GCN是一个很号的开端.(笔者觉得下面的笔记对于GCN的理解很不错) 论文阅读笔记: https://blog.youkuaiyun.com/qq_41727666/article/details/84640549 github论文链接:SEMI-SUPER CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS GitHub代码链接:Tenso...

GCN 入门

qq_41290282的博客

09-09

510

参考链接: https://www.zhihu.com/question/54504471/answer/611222866 1 拉普拉斯矩阵参考链接: http://bbs.cvmart.net/articles/281/cong-cnn-dao-gcn-de-lian-xi-yu-qu-bie-gcn-cong-ru-men-dao-jing-fang-tong-qi...

GCN原论文

最新发布

03-22

<think>好的，用户想找关于GCN（图卷积网络）的原始论文。我需要先确定用户指的是哪一篇，因为GCN的发展可能有多个关键论文。首先，图卷积网络的概念起源于图信号处理中的谱方法，早期的论文可能被引用为原始论文。根据用户提供的引用信息，引用[1]提到“Relational Graph Convolutional Network”，引用[2]是PyTorch实现的GCN，引用[3]和[4]提到了不同的GCN变种，引用[5]涉及高光谱图像分类中的应用。这些引用中没有直接提到最原始的GCN论文，但可能用户需要的是Thomas N. Kipf和Max Welling在2016年发表的半监督分类工作，那篇通常被认为是GCN的重要基础论文。需要验证这一点。Kipf和Welling的论文题目是“Semi-Supervised Classification with Graph Convolutional Networks”，发表于ICLR 2017。这篇论文提出了现在广泛使用的GCN层结构，即通过一阶近似简化图卷积操作。用户提供的引用里，引用[2]提到的PyTorch实现可能正是基于这篇论文，所以可以推断用户需要的是这篇。接下来，需要确认是否有更早的原始论文。比如，早期的图卷积工作可能由Bruna等人提出，但他们的方法是基于谱分解，计算复杂。而Kipf和Welling的工作是将其简化，适用于实际应用，因此更常被引用为原始论文，尤其是在应用领域。然后，回答用户时需要明确说明原始论文的标题、作者、会议和年份，并提供正确的引用格式。同时，用户可能需要论文的链接或DOI，但根据规则不能提供外部链接，所以建议用户通过标题和作者在Google Scholar或学术数据库搜索。最后，生成相关问题时要围绕GCN的基础、扩展、应用和实现，确保问题覆盖用户可能感兴趣的方面。</think>根据学术文献的引用关系，图卷积网络（Graph Convolutional Network, GCN）的原始论文通常指以下两篇关键工作： 1. **谱域GCN奠基性研究** Bruna等人于2014年提出基于谱图理论的图卷积方法，首次将卷积操作扩展到非欧几里得空间，定义了谱域图卷积： $$f' = \sigma(U g_\theta(\Lambda) U^T f)$$ 其中$U$是图傅里叶变换基，$\Lambda$为特征值矩阵[^1][^3]。 2. **空间域GCN经典实现** Kipf和Welling于2017年提出通过一阶近似简化计算的空间域GCN，其核心公式为： $$H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)})$$ 该方法成为后续应用的基础框架[^2][^5]。