图神经网络是一类比较特殊的神经网络，这里的图不同于我们卷积神经网络里面所使用到的图像，而是指的是node和edge组成的具有拓扑结构的图，这一类型的数据和应用我在平时的工作实践中接触得还是比较少的，正好就当做是学习了。
DGL是一个Python软件包，专门用于在图上进行深度学习，它构建在顶部现有的张量DL框架（例如Pytorch，MXNet）并简化了基于图的神经网络的实现。
这里DGL的安装也是很简单的，具体的安装方案可以参考这里。
windows下的安装命令如下：
pip install dgl整体的安装是很简单的。
本文主要是实践DGL官网的教程【扎卡里的空手道俱乐部问题】。 空手道俱乐部是一个社交网络，由34名成员组成，并记录俱乐部外部互动的成员之间的成对链接。 俱乐部随后分为两个社区，由教员（节点0）和俱乐部主席（节点33）领导。 网络的可视化如下，其颜色指示社区：
该教程的任务是预测给定社交网络本身每个成员倾向于加入哪一侧（0或33）。
Step 1: Creating a graph in DGL
首先初始化创建图，代码实现如下所示:
def build_karate_club_graph(): ''' 所有78条边都存储在两个numpy数组中, 一个用于源端点而另一个用于目标端点 ''' src = np.array([1, 2, 2, 3, 3, 3, 4, 5, 6, 6, 6, 7, 7, 7, 7, 8, 8, 9, 10, 10, 10, 11, 12, 12, 13, 13, 13, 13, 16, 16, 17, 17, 19, 19, 21, 21, 25, 25, 27, 27, 27, 28, 29, 29, 30, 30, 31, 31, 31, 31, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33]) dst = np.array([0, 0, 1, 0, 1, 2, 0, 0, 0, 4, 5, 0, 1, 2, 3, 0, 2, 2, 0, 4, 5, 0, 0, 3, 0, 1, 2, 3, 5, 6, 0, 1, 0, 1, 0, 1, 23, 24, 2, 23, 24, 2, 23, 26, 1, 8, 0, 24, 25, 28, 2, 8, 14, 15, 18, 20, 22, 23, 29, 30, 31, 8, 9, 13, 14, 15, 18, 19, 20, 22, 23, 26, 27, 28, 29, 30, 31, 32]) #边缘在DGL中是有方向的； 使它们双向 u = np.concatenate([src, dst]) v = np.concatenate([dst, src]) #构建图 return dgl.DGLGraph((u, v))在新构建的图中打印出节点和边的数量
G = build_karate_club_graph() print('We have %d nodes.' % G.number_of_nodes()) print('We have %d edges.' % G.number_of_edges())结果如下所示：
接下来基于networkx来对图进行可视化，代码实现如下所示：
#通过将其转换为networkx图来可视化该图 nx_G = G.to_networkx().to_undirected() pos = nx.kamada_kawai_layout(nx_G) nx.draw(nx_G, pos, with_labels=True, node_color=[[.7, .7, .7]]) plt.savefig('graph.png')结果如下所示：
这里基于networkx绘制的是无向图。
Step 2: Assign features to nodes or edges
图神经网络将特征与节点和边关联以进行训练。 对于我们的分类示例，由于没有输入功能，因此我们为每个节点分配了可学习的嵌入向量。代码实现如下所示：
embed = nn.Embedding(34, 5) # 34 nodes with embedding dim equal to 5 G.ndata['feat'] = embed.weight print(G.ndata['feat'][2]) print(G.ndata['feat'][[10, 11]])结果如下所示：
Step 3: Define a Graph Convolutional Network (GCN)
要执行节点分类，请使用由Kipf和Welling开发的图卷积网络（GCN）。 这是GCN框架的最简单定义。 我们建议您阅读原始文章以获取更多详细信息。
如下所示：
定义一个包含两个GCN层的更深入的GCN模型：
class GCN(nn.Module): def __init__(self, in_feats, hidden_size, num_classes): super(GCN, self).__init__() self.conv1 = GraphConv(in_feats, hidden_size) self.conv2 = GraphConv(hidden_size, num_classes) def forward(self, g, inputs): h = self.conv1(g, inputs) h = torch.relu(h) h = self.conv2(g, h) return h #初始化网络实例 net = GCN(5, 5, 2) print('net: ', net)结果如下所示：
Step 4: Data preparation and initialization
我们使用可学习的嵌入来初始化节点特征。 由于这是半监督设置，因此仅为教练（节点0）和俱乐部主席（节点33）分配标签。 该实现如下。
inputs = embed.weight labeled_nodes = torch.tensor([0, 33]) # only the instructor and the president nodes are labeled labels = torch.tensor([0, 1]) # their labels are differentStep 5: Train then visualize
训练循环与其他PyTorch模型完全相同。 我们（1）创建一个优化器，（2）将输入输入模型，（3）计算损失，（4）使用自动分级优化模型。
optimizer = torch.optim.Adam(itertools.chain(net.parameters(), embed.parameters()), lr=0.01) all_logits = [] for epoch in range(50): logits = net(G, inputs) # we save the logits for visualization later all_logits.append(logits.detach()) logp = F.log_softmax(logits, 1) # we only compute loss for labeled nodes loss = F.nll_loss(logp[labeled_nodes], labels) optimizer.zero_grad() loss.backward() optimizer.step() print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))结果如下所示：
这是一个很有趣的示例，因此甚至没有验证或测试集。 相反，由于模型为每个节点生成大小为2的输出特征，因此我们可以通过在2D空间中绘制输出特征来可视化。 以下代码使训练过程从最初的猜测（根本没有对节点进行正确分类）到最终的结果（使节点线性可分离）动画化。
def draw(i): cls1color = '#00FFFF' cls2color = '#FF00FF' pos = {} colors = [] for v in range(34): pos[v] = all_logits[i][v].numpy() cls = pos[v].argmax() colors.append(cls1color if cls else cls2color) ax.cla() ax.axis('off') ax.set_title('Epoch: %d' % i) nx.draw_networkx(nx_G.to_undirected(), pos, node_color=colors, with_labels=True, node_size=300, ax=ax) fig = plt.figure(dpi=150) fig.clf() ax = fig.subplots() draw(0) plt.savefig('0.png')结果如下所示：
以下动画显示了经过一系列训练后，模型如何正确预测社区。
今天是图神经网络的初步实践，后面有时间会继续学习。
完整代码如下所示：
#!usr/bin/env python #encoding:utf-8 from __future__ import division """ __Author__:沂水寒城 DGL概览: DGL是一个Python软件包，专门用于在图上进行深度学习，它构建在顶部现有的张量DL框架 （例如Pytorch，MXNet）并简化了基于图的神经网络的实现。 """ import dgl import numpy as np import networkx as nx import torch import torch.nn as nn import torch.nn.functional as F from dgl.nn.pytorch import GraphConv import itertools import matplotlib.animation as animation import matplotlib.pyplot as plt #Step 1: Creating a graph in DGL def build_karate_club_graph(): ''' 所有78条边都存储在两个numpy数组中, 一个用于源端点而另一个用于目标端点 ''' src = np.array([1, 2, 2, 3, 3, 3, 4, 5, 6, 6, 6, 7, 7, 7, 7, 8, 8, 9, 10, 10, 10, 11, 12, 12, 13, 13, 13, 13, 16, 16, 17, 17, 19, 19, 21, 21, 25, 25, 27, 27, 27, 28, 29, 29, 30, 30, 31, 31, 31, 31, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33]) dst = np.array([0, 0, 1, 0, 1, 2, 0, 0, 0, 4, 5, 0, 1, 2, 3, 0, 2, 2, 0, 4, 5, 0, 0, 3, 0, 1, 2, 3, 5, 6, 0, 1, 0, 1, 0, 1, 23, 24, 2, 23, 24, 2, 23, 26, 1, 8, 0, 24, 25, 28, 2, 8, 14, 15, 18, 20, 22, 23, 29, 30, 31, 8, 9, 13, 14, 15, 18, 19, 20, 22, 23, 26, 27, 28, 29, 30, 31, 32]) #边缘在DGL中是有方向的； 使它们双向 u = np.concatenate([src, dst]) v = np.concatenate([dst, src]) #构建图 return dgl.DGLGraph((u, v)) #在新构建的图中打印出节点和边的数量 G = build_karate_club_graph() print('We have %d nodes.' % G.number_of_nodes()) print('We have %d edges.' % G.number_of_edges()) #通过将其转换为networkx图来可视化该图 nx_G = G.to_networkx().to_undirected() pos = nx.kamada_kawai_layout(nx_G) nx.draw(nx_G, pos, with_labels=True, node_color=[[.7, .7, .7]]) plt.savefig('graph.png') # Step 2: Assign features to nodes or edges embed = nn.Embedding(34, 5) # 34 nodes with embedding dim equal to 5 G.ndata['feat'] = embed.weight print(G.ndata['feat'][2]) print(G.ndata['feat'][[10, 11]]) # Step 3: Define a Graph Convolutional Network (GCN) class GCN(nn.Module): def __init__(self, in_feats, hidden_size, num_classes): super(GCN, self).__init__() self.conv1 = GraphConv(in_feats, hidden_size) self.conv2 = GraphConv(hidden_size, num_classes) def forward(self, g, inputs): h = self.conv1(g, inputs) h = torch.relu(h) h = self.conv2(g, h) return h #初始化网络实例 net = GCN(5, 5, 2) print('net: ', net) # Step 4: Data preparation and initialization inputs = embed.weight labeled_nodes = torch.tensor([0, 33]) # labels = torch.tensor([0, 1]) # Step 5: Train then visualize optimizer = torch.optim.Adam(itertools.chain(net.parameters(), embed.parameters()), lr=0.01) all_logits = [] for epoch in range(50): logits = net(G, inputs) # we save the logits for visualization later all_logits.append(logits.detach()) logp = F.log_softmax(logits, 1) # we only compute loss for labeled nodes loss = F.nll_loss(logp[labeled_nodes], labels) optimizer.zero_grad() loss.backward() optimizer.step() print('Epoch %d | Loss: %.4f' % (epoch, loss.item())) def draw(i): cls1color = '#00FFFF' cls2color = '#FF00FF' pos = {} colors = [] for v in range(34): pos[v] = all_logits[i][v].numpy() cls = pos[v].argmax() colors.append(cls1color if cls else cls2color) ax.cla() ax.axis('off') ax.set_title('Epoch: %d' % i) nx.draw_networkx(nx_G.to_undirected(), pos, node_color=colors, with_labels=True, node_size=300, ax=ax) fig = plt.figure(dpi=150) fig.clf() ax = fig.subplots() draw(0) plt.savefig('0.png') ani = animation.FuncAnimation(fig, draw, frames=len(all_logits), interval=200) plt.savefig('1.png')版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/211300.html原文链接：https://javaforall.net
