三.GNN之GCN，GraphSAGE，GAT

最新推荐文章于 2024-11-29 15:38:56 发布

++加油呀

最新推荐文章于 2024-11-29 15:38:56 发布

阅读量1k

点赞数

分类专栏： pytorch GNN

本文链接：https://blog.youkuaiyun.com/weixin_51736742/article/details/119389194

版权

本文深入探讨了三种图神经网络（GNN）模型：图卷积网络（GCN）、图采样邻居聚合（GraphSAGE）和图注意力网络（GAT）。GCN通过卷积操作在图结构上传播和融合节点特征；GraphSAGE提出了一种有效的采样策略，用于在大规模图上进行训练；GAT引入了注意力机制，允许模型根据节点之间的相对重要性加权邻接节点的信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from torch_geometric.datasets import Planetoid
dataset=Planetoid(root="tmp",name="Cora")


#构建GCN
import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv, SAGEConv, GATConv

1.GCN

class GCN_Net(torch.nn.Module):
    def __init__(self,features,hidden,classes):#特征。隐藏长度,输出的类别
        super(GCN_Net,self).__init__()
        self.conv1=GCNConv(features,hidden)#第一层GCN
        self.conv2=GCNConv(hidden,classes)#第二层GCN
    def forward(self,data):
        x,edge_index=data.x,data.edge_index#节点属性和边的信息
        x=self.conv1(x,edge_index)#第一层，输入x和边的信息
        x=F.relu(x)
        x=F.dropout(x,training=self.training)
        x=self.conv2(x,edge_index)

        return F.log_softmax(x,dim=1)#按行做softmax归一化操作

device=torch.device("cuda" if torch.cuda.is_available() else "cpu" )
model=GCN_Net(dataset.num_node_features,16,dataset.num_classe