图网络之spektral

小鱼儿 2022-12-22 08:36 130阅读 0赞

### 文章目录 ###

*  1. contribution
 *  2. install spektral
 *  3. data sets
 *  4. GCN
 *  5. RGCN
 *  6. RGIN

*  2021/9/3更新: 将本地项目重新上传到了[`gitee` 点击打开项目链接, 欢迎star, 增人玫瑰又有余香][gitee_ _ _star_], 包括下文用到的data也已经保存到了`data文件夹中`, 可以直接下载使用

# 1. contribution #

最近有个项目需要用到图网络, leader给的方向是利用[tf2-gnn(微软开的)][tf2-gnn]  
tf2-gnn的优点是拿来直接训练RGIN,RGCN等图网络很方便, 但是修改代码确实需要些人力, 本着快速开发的原则, 这里找了一个替代品[spektral][]  
之所以使用这个开源构建图网络,是因为该项目使用Keras和tf2作基础, Keras很显然是最简单的机器学习框架, 能够简单的定义每一个网络层和输入输出, 话不多说, 先安装

# 2. install spektral #

*  `conda create -n kera python=3.6` \# 创建环境
 *  `conda activate kera` \# 进入环境
 *  `pip install tensorflow==2.2`
 *  `pip install scikit-learn` \# 安装这俩的包是因为直接使用spektral自动安装时总是因为这俩出错
 *  `git clone https://github.com/danielegrattarola/spektral` \# 下载spektral
 *  `cd spektral && python setup.pyinstall` \# 安装spektral
 *  [下载测试数据集][Link 1]
 *  解压后保存到  
    ![在这里插入图片描述][20201118154419964.png_pic_center]  
    接下来测试是否安装成功

# 用来测试系统好坏, 以及数据集格式
    from spektral.datasets import citation
    A, X, y, train_mask, val_mask, test_mask = citation.load_data('cora')
    
    N = A.shape[0] # A 为形状为 (N, N) 的网络邻接矩阵
    F = X.shape[-1] # X 为形状为 (N, F) 的节点特征
    n_classes = y.shape[-1] # y 表示形状为 (N, n_classes) 的标签
    print(n_classes)
    # print(A, X, y, train_mask, val_mask, test_mask,sep="\n--------------\n")
    
    from spektral.layers import GraphConv
    from tensorflow.keras.models import Model
    from tensorflow.keras.layers import Input, Dropout
    
    A = GraphConv.preprocess(A).astype('f4') # 预处理邻接矩阵
    print("\n-----------\n",A)
    X_in = Input(shape=(F, )) # X 节点特征
    A_in = Input((N, ), sparse=True) # 邻接矩阵
    
    X_1 = GraphConv(16, 'relu')([X_in, A_in]) # 图卷积
    X_1 = Dropout(0.5)(X_1) 
    X_2 = GraphConv(n_classes, 'softmax')([X_1, A_in]) # 分类
    
    model = Model(inputs=[X_in, A_in], outputs=X_2)
    
    
    
    model.compile(optimizer='adam', # 梯度下降
                  loss='categorical_crossentropy', # 分类的常用损失函数
                  weighted_metrics=['acc']) # 打印准确率
    
    model.summary() # 显示当前网络的结构
    
    # Prepare data
    X = X.toarray()
    A = A.astype('f4')
    validation_data = ([X, A], y, val_mask)
    # Train model
    model.fit([X, A], y,
              epochs=200,
              sample_weight=train_mask,
              validation_data=validation_data,
              batch_size=N,
              shuffle=False)
    
    # Evaluate model
    eval_results = model.evaluate([X, A],
                                  y,
                                  sample_weight=test_mask,
                                  batch_size=N)
    
    print(eval_results)

如果运行没有出错  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNDYwODE5_size_16_color_FFFFFF_t_70_pic_center]

# 3. data sets #

# 4. GCN #

# 5. RGCN #

# 6. RGIN #

[gitee_ _ _star_]: https://gitee.com/nwu_zjq/spektral
[tf2-gnn]: https://github.com/microsoft/tf2-gnn
[spektral]: https://github.com/danielegrattarola/spektral
[Link 1]: https://zjq.lanzouw.com/ifGwdiikccf
[20201118154419964.png_pic_center]: /images/20221120/d54136c1ca9a466e88d653b9de1c9d8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNDYwODE5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/04f9296dd5eb4179b7cc0dd60cc8377f.png