基于图卷积网络（GCN）的分类任务实战：从数据加载到结果分析

引言

图神经网络（GNN）在处理具有图结构的数据时表现出色，其中图卷积网络（GCN）是最经典的模型之一。本文将结合实际代码，详细介绍如何使用 GCN 进行分类任务，涵盖数据加载、图结构构建、模型定义、训练评估及结果保存全流程，适合对图学习感兴趣的科研人员和开发者参考。资源链接如下：https://download.youkuaiyun.com/download/lestatlu/90690594

一、整体流程概览

1. 数据加载与预处理：从文件读取数据，划分训练集与测试集，并构建 KNN 图结构
2. GCN 模型定义：基于 PyTorch Geometric 实现多层 GCN 网络
3. 训练与评估：使用交叉熵损失函数优化模型，计算多种分类指标
4. 结果保存：将评估结果输出到 Excel 文件

二、代码逐模块解析

1. 数据加载与预处理

# 加载全局数据
X_all_samples = np.load(r'your_path\X_all_samples.npy')
y_all_samples = np.load(r'your_path\y_all_samples.npy')
train_indices = np.load(r'your_path\global_train_indices.npy')
test_indices = np.load(r'your_path\global_test_indices.npy')

# 创建训练集和测试集
X_train = X_all_samples[train_indices]
y_train = y_all_samples[train_indices]
X_test = X_all_samples[test_indices]
y_test = y_all_samples[test_indices]

# 确定类别数量
num_classes = np.max(y_train) + 1

• 数据格式：输入数据X为特征矩阵，y为标签，通过索引划分训练 / 测试集
• 关键操作：根据标签最大值确定类别数，确保后续模型输出维度正确

2. GCN 模型定义

class GEN_Model(nn.Module):
    def __init__(self, input_dim, output_dim, hidden_dim=256, num_layers=3):
        super(GEN_Model, self).__init__()
        self.convs = nn.ModuleList()