Pytorch PyG实现EdgePool图分类

更新时间：2023年04月21日 09:55:27 作者：实力

这篇文章主要为大家介绍了Pytorch PyG实现EdgePool图分类示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

Python客栈送红包、纸质书

EdgePool简介

EdgePool是一种用于图分类的卷积神经网络（Convolutional Neural Network，CNN）模型。其主要思想是通过 edge pooling 上下采样优化图像大小，减少空间复杂度，提高分类性能。

实现步骤

数据准备

一般来讲，在构建较大规模数据集时，我们都需要对数据进行规范、归一和清洗处理，以便后续语义分析或深度学习操作。而在图像数据集中，则需使用特定的框架或工具库完成。

# 导入MNIST数据集
from torch_geometric.datasets import MNISTSuperpixels
# 加载数据、划分训练集和测试集
dataset = MNISTSuperpixels(root='./mnist', transform=Compose([ToTensor(), NormalizeMeanStd()]))
data = dataset[0]
# 定义超级参数
num_features = dataset.num_features
num_classes = dataset.num_classes
# 构建训练集和测试集索引文件
train_mask = torch.zeros(data.num_nodes, dtype=torch.uint8)
train_mask[:60000] = 1
test_mask = torch.zeros(data.num_nodes, dtype=torch.uint8)
test_mask[60000:] = 1
# 创建数据加载器
train_loader = DataLoader(data[train_mask], batch_size=32, shuffle=True)
test_loader = DataLoader(data[test_mask], batch_size=32, shuffle=False)

登录后复制免费讲解

实现模型

在定义EdgePool模型时，我们需要重新考虑网络结构中的上下采样操作，以便让整个网络拥有更强大的表达能力，从而学习到更复杂的关系。

from torch.nn import Linear
from torch_geometric.nn import EdgePooling
class EdgePool(torch.nn.Module):
    def __init__(self, dataset):
        super(EdgePool, self).__init__()
        # 定义输入与输出维度数
        self.input_dim = dataset.num_features
        self.hidden_dim = 128
        self.output_dim = 10
        # 定义卷积层、归一化层和pooling层等
        self.conv1 = GCNConv(self.input_dim, self.hidden_dim)
        self.norm1 = BatchNorm1d(self.hidden_dim)
        self.pool1 = EdgePooling(self.hidden_dim)
        self.conv2 = GCNConv(self.hidden_dim, self.hidden_dim)
        self.norm2 = BatchNorm1d(self.hidden_dim)
        self.pool2 = EdgePooling(self.hidden_dim)
        self.conv3 = GCNConv(self.hidden_dim, self.hidden_dim)
        self.norm3 = BatchNorm1d(self.hidden_dim)
        self.pool3 = EdgePooling(self.hidden_dim)
        self.lin = torch.nn.Linear(self.hidden_dim, self.output_dim)
    def forward(self, x, edge_index, batch):
        x = F.relu(self.norm1(self.conv1(x, edge_index)))
        x, edge_index, _, batch, _ = self.pool1(x, edge_index, None, batch)
        x = F.relu(self.norm2(self.conv2(x, edge_index)))
        x, edge_index, _, batch, _ = self.pool2(x, edge_index, None, batch)
        x = F.relu(self.norm3(self.conv3(x, edge_index)))
        x, edge_index, _, batch, _ = self.pool3(x, edge_index, None, batch)
        x = global_mean_pool(x, batch)
        x = self.lin(x)
        return x

登录后复制免费讲解

在上述代码中，我们使用了不同的卷积层、池化层和全连接层等神经网络功能块来构建EdgePool模型。其中，每个 GCNConv 层被保持为128的隐藏尺寸；BatchNorm1d是一种旨在提高收敛速度并增强网络泛化能力的方法；EdgePooling是一种在 GraphConvolution 上附加的特殊类别，它将给定图下采样至其一半的大小，并返回缩小后的图与两个跟踪full-graph-to-pool双向映射（keep and senders）的 edge index（edgendarcs）。在这种情况下传递 None ，表明 batch 未更改。

模型训练

在定义好 EdgePool 网络结构之后，需要指定合适的优化器、损失函数，并控制训练轮数、批量大小与学习率等超参数。同时还要记录大量日志信息，方便后期跟踪和驾驶员。

# 定义训练计划，包括损失函数、优化器及迭代次数等
train_epochs = 50
learning_rate = 0.01
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(edge_pool.parameters(), lr=learning_rate)
losses_per_epoch = []
accuracies_per_epoch = []
for epoch in range(train_epochs):
    running_loss = 0.0
    running_corrects = 0.0
    count = 0.0
    for samples in train_loader:
        optimizer.zero_grad()
        x, edge_index, batch = samples.x, samples.edge_index, samples.batch
        out = edge_pool(x, edge_index, batch)
        label = samples.y
        loss = criterion(out, label)
        loss.backward()
        optimizer.step()
        running_loss += loss.item() / len(train_loader.dataset)
        pred = out.argmax(dim=1)
        running_corrects += pred.eq(label).sum().item() / len(train_loader.dataset)
        count += 1
    losses_per_epoch.append(running_loss)
    accuracies_per_epoch.append(running_corrects)
    if (epoch + 1) % 10 == 0:
        print("Train Epoch {}/{} Loss {:.4f} Accuracy {:.4f}".format(
            epoch + 1, train_epochs, running_loss, running_corrects))

登录后复制免费讲解

在训练过程中，我们遍历了每个批次的数据，并通过反向传播算法进行优化，并更新了 loss 和 accuracy 输出值。同时方便可视化与记录，需要将训练过程中的 loss 和 accuracy 输出到相应的容器中，以便后期进行分析和处理。

以上就是Pytorch PyG实现EdgePool图分类的详细内容，更多关于Pytorch PyG EdgePool图分类的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

微信公众号搜索 “ 脚本之家 ” ，选择关注

程序猿的那些事、送书等活动等着你

原文链接：https://juejin.cn/post/7224127112709652538

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权/违法违规/事实不符，请将相关资料发送至 reterry123@163.com 进行投诉反馈，一经查实，立即处理！

python调用百度地图WEB服务API获取地点对应坐标值
这篇文章主要为大家详细介绍了python调用百度地图WEB服务API获取地点对应坐标值，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-01-01
python pandas模块进行数据分析
Python的Pandas模块是一个强大的数据处理工具,可以用来读取、处理和分析各种数据,本文主要介绍了python pandas模块进行数据分析,具有一定的参考价值,感兴趣的可以了解一下
2024-01-01
Python中bisect的用法及示例详解
这篇文章主要介绍了Python中bisect的用法及示例详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2020-07-07
python:列表详解
这篇文章主要介绍了Python中列表(List)的详解操作方法,包含创建、访问、更新、删除、其它操作等,需要的朋友可以参考下
2021-10-10
python处理图片之PIL模块简单使用方法
这篇文章主要介绍了python处理图片之PIL模块简单使用方法,涉及Python使用PIL模块实现针对图片的锐化、绘制直线、绘制椭圆等相关技巧,需要的朋友可以参考下
2015-05-05
基于Python实现的扫雷游戏实例代码
这篇文章主要介绍了基于Python实现的扫雷游戏实例代码,对于Python的学习以及Python游戏开发都有一定的借鉴价值,需要的朋友可以参考下
2014-08-08
python实现数学模型(插值、拟合和微分方程)
这篇文章主要介绍了python实现数学模型(插值、拟合和微分方程),本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
2020-11-11
解决pycharm无法识别本地site-packages的问题
今天小编就为大家分享一篇解决pycharm无法识别本地site-packages的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2018-10-10
Python 多线程抓取图片效率对比
Python由于有全锁局的存在，并不能利用多核优势。所以，如果你的多线程进程是CPU密集型的，那多线程并不能带来效率上的提升，相反还可能会因为线程的频繁切换，导致效率下降；如果是IO密集型，多线程进程可以利用IO阻塞等待时的空闲时间执行其他线程，提升效率。
2016-02-02
Python3离线安装Requests模块问题
这篇文章主要介绍了Python3离线安装Requests模块问题，本文实例代码给大家介绍的非常详细，非常不错，具有一定的参考借鉴价值,需要的朋友可以参考下
2019-10-10