详解Pytorch+PyG实现GAT过程示例
作者：实力
导入库和数据
GAT（图注意力网络）是常见的图神经网络结构之一，它使用注意力机制来对节点进行特征加权，并考虑其邻居节点的交互。
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_geometric.datasets import Planetoid dataset = Planetoid(root='/tmp/Cora', name='Cora') train_loader = DataLoader(dataset[0], batch_size=128, shuffle=True) test_loader = DataLoader(dataset[0], batch_size=128, shuffle=False)
其中， Planetoid 是PyG提供的图形数据集之一。这里我们选择了 Cora 数据集并存储到 /tmp/Cora 文件夹中。然后我们将该数据集分成训练集和测试集，设置相应的加载器。
定义模型结构
接下来，我们需要定义GAT模型的结构。通过PyTorch和PyG，我们可以自己定义完整的GAT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_geometric.nn.GATConv 函数逐层堆叠多个图注意力层来实现GAT模型。以下是GAT模型定义的示例代码：
import torch.nn.functional as F
from torch_geometric.nn import GATConv
class Net(torch.nn.Module):
def __init__(self, in_channels, out_channels):
super(Net, self).__init__()
self.num_layers = 2
self.conv1 = GATConv(in_channels=in_channels, out_channels=16, heads=8, dropout=0.6)
self.conv2 = GATConv(in_channels=16*8, out_channels=out_channels, heads=1, concat=False, dropout=0.6)
def forward(self, data):
x, edge_index = data.x, data.edge_index
x = F.dropout(x, p=0.6, training=self.training)
x = F.elu(self.conv1(x, edge_index))
x = F.dropout(x, p=0.6, training=self.training)
x = self.conv2(x, edge_index)
return F.log_softmax(x, dim=1)
上述代码中，我们定义了一个 Net 类用于构建GAT网络，接收输入通道数和输出通道数作为参数。例如，我们可以按照以下方式创建一个将 CORD 参量作为输入特征向量大小、64 个隐藏节点（每个注意力头）。并将数字类别作为输出大小的GAT模型：
model = Net(in_channels=dataset.num_features, out_channels=dataset.num_classes)
其中 num_features 和 num_classes 是PyG数据集中包含的属性。
定义训练函数
然后，我们需要定义训练函数来训练我们的GAT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 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)
pred = out.argmax(dim=1)
loss = loss_fn(out[data.train_mask], data.y[data.train_mask])
loss.backward()
optimizer.step()
total_loss += loss.item() * data.num_graphs
correct += pred[data.train_mask].eq(data.y[data.train_mask]).sum().item()
return total_loss / len(loader.dataset), correct / len(data.train_mask)
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GAT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)
pred = out.argmax(dim=1)
loss = loss_fn(out[data.test_mask], data.y[data.test_mask])
total_loss += loss.item() * data.num_graphs
correct += pred[data.test_mask].eq(data.y[data.test_mask]).sum().item()
return total_loss / len(loader.dataset), correct / len(data.test_mask)
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。
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GAT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_features, out_channels=dataset.num_classes).to(device)
train_loader = DataLoader(dataset[0], batch_size=128, shuffle=True)
test_loader = DataLoader(dataset[0], batch_size=128, shuffle=False)
optimizer = optim.Adam(model.parameters(), lr=0.01)
loss_fn = nn.CrossEntropyLoss()
for epoch in range(1, 201):
train_loss, train_acc = train(model, train_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GAT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。
以上就是详解Pytorch+PyG实现GAT过程示例的详细内容，更多关于Pytorch PyG实现GAT的资料请关注脚本之家其它相关文章！