怎么使用Pytorch+PyG实现GAT

本篇内容主要讲解“怎么使用Pytorch+PyG实现GAT”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“怎么使用Pytorch+PyG实现GAT”吧!

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。

到此，相信大家对“怎么使用Pytorch+PyG实现GAT”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！