Task 03 基于图神经网络的节点表征学习

最新推荐文章于 2022-09-17 19:26:47 发布

原创

最新推荐文章于 2022-09-17 19:26:47 发布 · 269 阅读

0 ·

CC 4.0 BY-SA版权

本文通过代码展示了在Cora数据集上，MLP、GCN和GAT进行节点分类的效果。GCN和GAT优于只考虑节点特征的MLP，GCN基于节点度进行归一化，而GAT使用注意力机制，其归一化依赖于节点相似度，具有更好的泛化能力。此外，还提到图分类任务中需要加入pool层来汇总节点信息。

本次学习图神经网络的一般过程，直接放代码，对比MLP, GCN和GAT在cora数据集上做节点分类的效果：

from torch_geometric.datasets import Planetoid
from torch_geometric.transforms import NormalizeFeatures
from torch_geometric.nn import GCNConv, GATConv
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE
import torch
from torch.nn import Linear
import torch.nn.functional as F

dataset = Planetoid(root='dataset', name='Cora', transform=NormalizeFeatures())
data = dataset[0]

def visualize(h, color, fig_name):
    z = TSNE(n_components=2).fit_transform(out.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.savefig(fig_name)


class MLP(torch.nn.Module):
    def __init__(self, hidden_channels):
        super