Pytorch结合PyG实现MLP过程详解
作者：实力
导入库和数据
首先，我们需要导入PyTorch和PyG库，然后准备好我们的数据。例如，我们可以使用以下方式生成一个简单的随机数据集：
from torch.utils.data import random_split from torch_geometric.datasets import TUDataset dataset = TUDataset(root='/tmp/ENZYMES', name='ENZYMES') train_dataset, test_dataset = random_split(dataset, [len(dataset) - 1000, 1000])
其中，TUDataset 是PyG提供的图形数据集之一。这里我们选择了 ENZYMES 数据集并存储到 /tmp/ENZYMES 文件夹中。然后我们将该数据集分成训练集和测试集，其中训练集包含所有数据减去最后1000个数据，测试集则为最后1000个数据。
定义模型结构
接下来，我们需要定义MLP模型的结构。通过PyTorch和PyG，我们可以自己定义完整的MLP模型或者利用现有的库函数快速构建模型。在这里，我们将使用 torch.nn.Sequential 函数逐层堆叠多个线性层来实现MLP模型。以下是MLP模型定义的示例代码：
import torch.nn as nn
from torch_geometric.nn import MLP
class Net(nn.Module):
def __init__(self, in_channels, hidden_channels, out_channels, num_layers=3):
super(Net, self).__init__()
self.num_layers = num_layers
self.mlp = MLP([in_channels] + [hidden_channels] * (num_layers-1) + [out_channels])
def forward(self, x):
return self.mlp(x)
上述代码中，我们定义了一个 Net 类用于构建MLP网络，接收输入通道数、隐藏层节点数、输出通道数以及MLP层数作为参数。例如，我们可以按照以下方式创建一个拥有 4 层、128 个隐藏节点、并将度为图结构作为输入的MLP模型：
model = Net(in_channels=dataset.num_node_features, hidden_channels=128, out_channels=dataset.num_classes, num_layers=4)
定义训练函数
然后，我们需要定义训练函数来训练我们的MLP神经网络。在这里，我们将使用交叉熵损失和Adam优化器进行训练，并在每一个epoch结束时计算准确率并打印出来。以下是训练函数的示例代码：
import torch.optim as optim
from torch_geometric.data import DataLoader
from tqdm import tqdm
def train(model, loader, optimizer, loss_fn):
model.train()
correct = 0
total_loss = 0
for data in tqdm(loader, desc='Training'):
optimizer.zero_grad()
out = model(data.x)
pred = out.argmax(dim=1)
loss = loss_fn(out, data.y)
loss.backward()
optimizer.step()
total_loss += loss.item() * data.num_graphs
correct += pred.eq(data.y).sum().item()
return total_loss / len(loader.dataset), correct / len(loader.dataset)
在上述代码中，我们遍历加载器中的每个数据批次，并对模型进行培训。对于每个图数据批次，我们计算网络输出、预测和损失，然后通过反向传播来更新权重。最后，我们将总损失和正确率记录下来并返回。
定义测试函数
接下来，我们还需要定义测试函数来测试我们的MLP神经网络性能表现。我们将利用与训练函数相同的输出参数进行测试，并打印出最终的测试准确率。以下是测试函数的示例代码：
def test(model, loader, loss_fn):
model.eval()
correct = 0
total_loss = 0
with torch.no_grad():
for data in tqdm(loader, desc='Testing'):
out = model(data.x)
pred = out.argmax(dim=1)
loss = loss_fn(out, data.y)
total_loss += loss.item() * data.num_graphs
correct += pred.eq(data.y).sum().item()
return total_loss / len(loader.dataset), correct / len(loader.dataset)
在上述代码中，我们对测试数据集中的所有数据进行了循环，并计算网络的输出和预测。我们记录下总损失和正确分类的数据量，并返回损失和准确率之间的比率（我们使用该比率而不是精度来反映测试表现通常较小）。
训练模型并评估训练结果
最后，我们可以使用前面定义过的函数来定义主函数，从而完成MLP神经网络的训练和测试。以下是主函数的示例代码：
if __name__ == '__main__':
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Net(in_channels=dataset.num_node_features, hidden_channels=128, out_channels=dataset.num_classes, num_layers=4).to(device)
loader = DataLoader(train_dataset, batch_size=128, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=128)
optimizer = optim.Adam(model.parameters(), lr=0.01)
loss_fn = nn.CrossEntropyLoss()
for epoch in range(1, 201):
train_loss, train_acc = train(model, loader, optimizer, loss_fn)
test_loss, test_acc = test(model, test_loader, loss_fn)
print(f'Epoch {epoch:03d}, Train Loss: {train_loss:.4f}, Train Acc: {train_acc:.4f}, '
f'Test Loss: {test_loss:.4f}, Test Acc: {test_acc:.4f}')
通过上述代码，我们就可以完成MLP神经网络的训练和测试。我们使用 DataLoader 函数进行数据加载，设置学习率、损失函数、训练轮数等超参数。最后，我们可以在屏幕上看到每个时代的准确率和损失值，并通过它们评估模型的训练表现。
以上就是Pytorch结合PyG实现MLP过程详解的详细内容，更多关于Pytorch PyG实现MLP的资料请关注脚本之家其它相关文章！