【图神经网络DGL】GCN在Karate Club上的实战(消息传递范式 | 生成训练可视化动图)
学习总结
- 回顾【图神经网络DGL】数据封装和消息传递机制 的数据封装,在做异构图神经网络时,DGL比PyG方便很多(尽管PyG已经支持了异构图Aminer和栗子,但对图结构数据做批处理还是需要自己实现)。
- networkx工具的使用:https://networkx.org/documentation/stable/auto_examples/graph/plot_karate_club.html
文章目录
- 学习总结
- 一、题目描述
- 二、步骤
- 2.1 在DGL中创建网络图
- 2.2 将特征分配给节点or边
- 2.3 定义一个图卷积神经网络
- 2.4 输出准备和初始化
- 2.5 训练和可视化
- Reference
一、题目描述
Karate club是一个社交网络,包括34个成员,并在俱乐部外互动的成员之间建立成对链接。 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。 网络以如下方式可视化,并带有表示社区的颜色(如下图)。
任务:预测给定社交网络本身每个成员倾向于加入哪一侧的社区(0或33)。
二、步骤
2.1 在DGL中创建网络图
这里可以复习上一节的【图神经网络DGL】数据封装和消息传递机制 的数据封装。
# -*- coding: utf-8 -*-
"""
Created on Fri Dec 17 21:16:42 2021@author: 86493
"""
import dgl
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.animation as animation
import matplotlib.pyplot as pltdef build_karate_club_graph():# All 78 edges are stored in two numpy arrays. One for source endpoints# while the other for destination endpoints.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])# Edges are directional in DGL; Make them bi-directional.u = np.concatenate([src, dst])v = np.concatenate([dst, src])# Construct a DGLGraphreturn dgl.DGLGraph((u, v))
G = build_karate_club_graph()
print('We have %d nodes.' % G.number_of_nodes())
print('We have %d edges.' % G.number_of_edges())
# We have 34 nodes.
# We have 156 edges.import networkx as nx
# 由于实际图形是无向的,因此我们去掉边的方向,以达到可视化的目的
nx_G = G.to_networkx().to_undirected()
# 为了图更加美观,我们使用Kamada-Kawaii layout
pos = nx.kamada_kawai_layout(nx_G)
nx.draw(nx_G, pos, with_labels=True, node_color=[[.7, .7, .7]])
后面代码中我们就把draw
的这块封装在一个visual
函数内。
2.2 将特征分配给节点or边
GNN将特征与节点和边关联进行训练,本题分类中,每个节点对应一个独热编码。在DGL中,可通过一个特征向量为所有的节点添加特征,该张量沿着第一维处理。
# 对角矩阵
G.ndata['feat'] = torch.eye(34)
print(torch.eye(34))# 打印出label为2的节点的特征
a = G.nodes[2].data['feat']
print(a)
# 打印出label为5和6的节点的特征
b = G.nodes[[5, 6]].data['feat']
print(b)
即如下创建一个对角矩阵:
tensor([[1., 0., 0., ..., 0., 0., 0.],[0., 1., 0., ..., 0., 0., 0.],[0., 0., 1., ..., 0., 0., 0.],...,[0., 0., 0., ..., 1., 0., 0.],[0., 0., 0., ..., 0., 1., 0.],[0., 0., 0., ..., 0., 0., 1.]])
结果为:
tensor([[0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
tensor([[0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
不过这里我们可以使用nn.embedding
:
## 对 34 个节点做 embeddingembed = nn.Embedding(34, 5) # 34 nodes with embedding dim equal to 5print(embed.weight)G.ndata['feat'] = embed.weight# print out node 2's input featureprint(G.ndata['feat'][2])# print out node 10 and 11's input featuresprint(G.ndata['feat'][[10, 11]])
2.3 定义一个图卷积神经网络
关于GCN的原理可看原作者的博客:https://tkipf.github.io/graph-convolutional-networks/
图卷积层的数学定义:hi(l+1)=σ(b(l)+∑j∈N(i)1cjihj(l)W(l))h_i^{(l+1)} = \sigma(b^{(l)} + \sum_{j\in\mathcal{N}(i)}\frac{1}{c_{ji}}h_j^{(l)}W^{(l)})hi(l+1)=σ(b(l)+j∈N(i)∑cji1hj(l)W(l))
其中:
- N(i)\mathcal{N}(i)N(i) 是节点iii的邻居节点集合;
- cjic_{ji}cji 是节点iii和节点jjj的度分别的开根号的乘积,即cji=∣N(j)∣∣N(i)∣c_{ji} = \sqrt{|\mathcal{N}(j)|}\sqrt{|\mathcal{N}(i)|}cji=∣N(j)∣∣N(i)∣);
- σ\sigmaσ 是一个激活函数
如果是有向边带权图,则是加权的图卷积:hi(l+1)=σ(b(l)+∑j∈N(i)ejicjihj(l)W(l))h_i^{(l+1)} = \sigma(b^{(l)} + \sum_{j\in\mathcal{N}(i)}\frac{e_{ji}}{c_{ji}}h_j^{(l)}W^{(l)})hi(l+1)=σ(b(l)+j∈N(i)∑cjiejihj(l)W(l))
其中:
- ejie_{ji}eji是节点jjj到节点iii的边权值;
- 初始时可以设cjic_{ji}cji为
norm='none'
,然后在前向传播forward计算时赋值为ejie_{ji}eji; ~dgl.nn.pytorch.EdgeWeightNorm
对标量边权值进行归一化。
一般来说,节点通过message
函数传递消息,然后通过reduce
函数进行数据聚合(下面栗子的聚合是通过sum
)。
(1)第一层将大小为34的输入特征转换为隐藏的大小为5。
(2)第二层将隐藏层转换为大小为2的输出特征,对应Karate club中的两个组。
from dgl.nn.pytorch import GraphConv
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
对应的网络结构很简单:
GCN((gcn1): GCNLayer((linear): Linear(in_features=34, out_features=5, bias=True))(gcn2): GCNLayer((linear): Linear(in_features=5, out_features=2, bias=True))
)
2.4 输出准备和初始化
# 数据准备和初始化
inputs = G.ndata['feat']
labeled_nodes = torch.tensor([0, 33])
labels = torch.tensor([0, 1])
2.5 训练和可视化
def train(G, inputs, embed, labeled_nodes,labels):net = GCN(5,5,2)import itertoolsoptimizer = torch.optim.Adam(itertools.chain(net.parameters(), embed.parameters()), lr=0.01)all_logits = []for epoch in range(30):logits = net(G, inputs)# we save the logits for visualization later# detach代表从当前计算图中分离下来的all_logits.append(logits.detach()) logp = F.log_softmax(logits, 1)# 半监督学习, 只使用标记的节点计算lossloss = F.nll_loss(logp[labeled_nodes], labels)optimizer.zero_grad()loss.backward()optimizer.step()print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))print(all_logits)
为了可视化,并且在train
函数中加入draw
函数,这里还用到了生成动态图的animation.FuncAnimation
函数。
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。 下面的代码使训练过程从最初的猜测(根本没有正确分类节点)到最终的结果(线性可分离节点)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)nx_G = G.to_networkx().to_undirected()fig = plt.figure(dpi=150)fig.clf()ax = fig.subplots()for i in range(30):draw(i)plt.pause(0.2)ani = animation.FuncAnimation(fig, draw, frames=len(all_logits), interval=200)ani.save('change1.gif', writer='imagemagick', fps=10)plt.show()
以上动画显示了经过一系列训练后,模型如何正确预测社区。
Reference
(1)使用python中的FuncAnimation画Gif图#1
(2)https://blog.csdn.net/Together_CZ/article/details/106504531
(3)https://www.pianshen.com/article/7142171595/
(4)dgl官方文档:https://docs.dgl.ai/tutorials/blitz/1_introduction.html#sphx-glr-tutorials-blitz-1-introduction-py
(5)阿里苘郁蓁知乎:https://zhuanlan.zhihu.com/p/93828551?hmsr=toutiao.io(不过注意要版本旧了,需要改,见头条评论,fn
在最新内置包有)
(6)现在图神经网络框架里,DGL和PyG哪个好用
(7)https://ogb.stanford.edu/docs/home/#dataloader
【图神经网络DGL】GCN在Karate Club上的实战(消息传递范式 | 生成训练可视化动图)相关推荐
- 字符动图_手把手教你做一个python+matplotlib的炫酷的数据可视化动图
1.数据可视化动图,是数据可视化的高级显示,最近很流行. 2.比如下面将告诉你如何制作一个如下的数据可视化动图. 3.例: 3.1 准备一组数据,虚拟的csv资料,对应关系如下 4个项目:namegr ...
- python制作数据增长动图_手把手教你做一个python+matplotlib的炫酷的数据可视化动图...
#第1步:导出模块,固定 importpandas as pdimportmatplotlib.pyplot as pltimportmatplotlib.ticker as tickerimport ...
- TIP | 自动化所谭铁牛院士团队提出用带注意力机制的图神经网络GARN,多个数据集上SOTA!
TIP | 自动化所谭铁牛院士团队提出用带注意力机制的图神经网络GARN,多个数据集上SOTA! [写在前面] 图像-文本匹配旨在衡量图像和文本描述之间的相似性,最近取得了很大进展.这种跨模态匹配任务 ...
- 哪个相机可以拍gif动图_你见过最搞笑的gif是什么?那些搞笑的动图都是用什么gif制作app制作的?...
话说每天上网冲浪的快乐源泉就是一些沙雕网友的沙雕动图了,有时候躺在床上刷微博.贴吧,真的是笑得全小区的灯都亮了,这种快乐我不能一个人独享,今天就来跟小伙伴分享我收藏的一些让人笑得满地找头的gif动图, ...
- R语言gganimate包创建可视化gif动图、可视化动图:ggplot2可视化静态散点图、gganimate包创建动态散点分面图(facet_wrap)动画基于transition_time函数
R语言gganimate包创建可视化gif动图.可视化动图:ggplot2可视化静态散点图.gganimate包创建动态散点分面图(facet_wrap)动画基于transition_time函数 目 ...
- R语言gganimate包创建可视化gif动图、可视化动图:、gganimate包创建动态线型图动画基于transition_time函数、使用geom_point函数显示动画移动的数据点
R语言gganimate包创建可视化gif动图.可视化动图:.gganimate包创建动态线型图动画基于transition_time函数.使用geom_point函数显示动画移动的数据点 目录
- R语言gganimate包创建可视化gif动图、可视化动图:创建动态散点图动画基于transition_time函数、使用shadow_wake函数配置动画的渐变效果(gradual falloff)
R语言gganimate包创建可视化gif动图.可视化动图:创建动态散点图动画基于transition_time函数.使用shadow_wake函数配置动画的渐变效果(gradual falloff) ...
- python棋盘覆盖问题_棋盘覆盖问题可视化动图——python
棋盘覆盖问题可视化动图--python 棋盘覆盖问题是一个经典的分治法解决的问题,具体内容可以参照以下博主的解析 为了更好的理解该算法分治的过程 利用了python中的matplotlib库进行了该算 ...
- vue项目将多张图片生成一个gif动图
当前做项目有一个需求是将多张图片生成一个gif动图的形式 类似下面图片几张图片叠加生成一个gif动图 图片涉及工作隐私,就不公开啦 我们要引入一个gif.js的引入包,但是他没有直接引入的方式,只能从 ...
最新文章
- 用keil怎么擦除_用这种方法销毁硬盘数据,即使美国中央情报局也难以恢复
- C#基础-类成员(Day7)
- 【深度学习】with torch.no_grad的作用
- 判断电离层是否存在自由电子
- python里的resize_Python玩转蔡徐坤
- PS学习笔记2-画笔的应用
- 接口 DataInput
- 2011年的MVP礼包
- 史上最详细的IDEA优雅整合Maven+SSM框架(详细思路+附带源码)
- python文本特征选择,机器学习--特征选择(Python实现)
- html post提交中文数据,HTML使用post方式提交中文内容出现乱码的错误解决方式
- java.lang.IllegalArgumentException 不合法的参数异常
- C/C++ 位域总结
- 【解决IE地址栏不见了问题】
- 微信号,手机号,邮箱验证格式
- Python之Pandas文本处理
- c语言计算10以内之和,求一个C语言程序,随机产生50道10以内的加法算术题
- 西服|西装扣子怎么扣
- 求职秘籍-如何准备面试?
- cvc 降噪_科普知识:蓝牙耳机的“底噪”“主动降噪”“CVC降噪”是什么?
热门文章
- AAS10.0控制台访问问题
- linux查看硬盘使用情况什么意思,linux 查看硬盘使用情况
- HTML在两个div标签中间画一条竖线
- 2018最新传智黑马前端从基础班到就业班(视频+资料)
- 笔记----关于js只比较日期不比较时间
- emf java_利用JAVA读取EMF相关文件并作相关格式的转化-实用知识
- 扒一扒程序员那些可爱的口头禅
- ios 文本翻转_iOS 屏幕旋转 强制旋转
- mui.alert弹框中实现换行显示
- 【Python】使用python实现yaml转json,json转yaml,以及批量实现yaml与json文件互相转换