图神经网络与 Transformer 多模型对比实战：从数据处理到结果分析全流程

原创

于 2025-04-27 15:33:56 发布 · 1.1k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #transformer #人工智能 #分类 #机器学习 #深度学习

在机器学习与深度学习领域，模型的选择与对比是优化算法性能的关键环节。本文将基于 Python 和 PyTorch 框架，结合torch_geometric库，详细展示图卷积网络（GCN）、图注意力网络（GAT）、视觉 Transformer（ViT）以及混合模型（Hybrid）的完整实现过程。从数据加载、模型定义、训练评估到结果保存，每一步都提供可复用的代码，适合算法研究、学术论文写作和工程实践参考。

数据参考（注意：直接用链接中的数据替换）：https://download.youkuaiyun.com/download/lestatlu/90690594

一、环境配置与基础库导入

在开始代码编写之前，需要导入必要的库，并完成设备选择（优先使用 GPU 加速）。

import time
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import pandas as pd
from torch_geometric.nn import GCNConv, GATConv
from torch_geometric.data import Data
from sklearn.neighbors import kneighbors_graph
from sklearn.metrics import accuracy_score, classification_report, recall_score, precision_score, cohen_kappa_score
from torch.nn import TransformerEncoder, TransformerEncoderLayer

# 设备选择
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")
start_time = time.time()

上述代码中，torch.device用于自动检测并选择可用的计算设备（GPU 或 CPU），time.time()用于记录程序运行总时长，方便后续性能评估。

二、数据加载与预处理

数据是模型训练的基础，本案例假设已有预处理好的特征数据和标签数据，需进行划分和格式转换。

# 加载数据
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]

y_train = y_train.astype(np.int64)
y_test = y_test.astype(np.int64)
num_classes = np.max(y_train.astype(np.int64)) + 1
# 验证类别数一致性
assert np.max(y_train) + 1 == num_classes, "类别数不一致"

# 转换为Tensor
x_train = t