图神经网络学习实践——Zachary’s karate club Problem

2024-04-15 03:08
文章标签 学习 实践 神经网络 problem club karate zachary

本文主要是介绍图神经网络学习实践——Zachary’s karate club Problem，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

       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 different

Step 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 laterall_logits.append(logits.detach())logp = F.log_softmax(logits, 1)# we only compute loss for labeled nodesloss = 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 laterall_logits.append(logits.detach())logp = F.log_softmax(logits, 1)# we only compute loss for labeled nodesloss = 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')

这篇关于图神经网络学习实践——Zachary’s karate club Problem的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/904740。

相关文章

Spring Boot 实现 IP 限流的原理、实践与利弊解析

Spring Boot 实现 IP 限流的原理、实践与利弊解析

《SpringBoot实现IP限流的原理、实践与利弊解析》在SpringBoot中实现IP限流是一种简单而有效的方式来保障系统的稳定性和可用性,本文给大家介绍SpringBoot实现IP限... 目录一、引言二、IP 限流原理2.1 令牌桶算法2.2 漏桶算法三、使用场景3.1 防止恶意攻击3.2 控制资源
阅读更多...
springboot项目中整合高德地图的实践

springboot项目中整合高德地图的实践

《springboot项目中整合高德地图的实践》：本文主要介绍springboot项目中整合高德地图的实践,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一：高德开放平台的使用二：创建数据库（我是用的是mysql）三：Springboot所需的依赖（根据你的需求再
阅读更多...
SpringBoot3应用中集成和使用Spring Retry的实践记录

SpringBoot3应用中集成和使用Spring Retry的实践记录

《SpringBoot3应用中集成和使用SpringRetry的实践记录》SpringRetry为SpringBoot3提供重试机制,支持注解和编程式两种方式,可配置重试策略与监听器,适用于临时性故... 目录1. 简介2. 环境准备3. 使用方式3.1 注解方式 基础使用自定义重试策略失败恢复机制注意事项
阅读更多...
MySQL MCP 服务器安装配置最佳实践

MySQL MCP 服务器安装配置最佳实践

《MySQLMCP服务器安装配置最佳实践》本文介绍MySQLMCP服务器的安装配置方法,本文结合实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下... 目录mysql MCP 服务器安装配置指南简介功能特点安装方法数据库配置使用MCP Inspector进行调试开发指
阅读更多...
SQLite3命令行工具最佳实践指南

SQLite3命令行工具最佳实践指南

《SQLite3命令行工具最佳实践指南》SQLite3是轻量级嵌入式数据库,无需服务器支持,具备ACID事务与跨平台特性,适用于小型项目和学习,sqlite3.exe作为命令行工具,支持SQL执行、数... 目录1. SQLite3简介和特点2. sqlite3.exe使用概述2.1 sqlite3.exe
阅读更多...
SQL中JOIN操作的条件使用总结与实践

SQL中JOIN操作的条件使用总结与实践

《SQL中JOIN操作的条件使用总结与实践》在SQL查询中,JOIN操作是多表关联的核心工具,本文将从原理,场景和最佳实践三个方面总结JOIN条件的使用规则,希望可以帮助开发者精准控制查询逻辑... 目录一、ON与WHERE的本质区别二、场景化条件使用规则三、最佳实践建议1.优先使用ON条件2.WHERE用
阅读更多...
Springboot整合Redis主从实践

Springboot整合Redis主从实践

《Springboot整合Redis主从实践》：本文主要介绍Springboot整合Redis主从的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录前言原配置现配置测试LettuceConnectionFactory.setShareNativeConnect
阅读更多...
Go学习记录之runtime包深入解析

Go学习记录之runtime包深入解析

《Go学习记录之runtime包深入解析》Go语言runtime包管理运行时环境,涵盖goroutine调度、内存分配、垃圾回收、类型信息等核心功能,：本文主要介绍Go学习记录之runtime包的... 目录前言：一、runtime包内容学习1、作用：① Goroutine和并发控制：② 垃圾回收：③ 栈和
阅读更多...
java中Optional的核心用法和最佳实践

java中Optional的核心用法和最佳实践

《java中Optional的核心用法和最佳实践》Java8中Optional用于处理可能为null的值,减少空指针异常,：本文主要介绍java中Optional核心用法和最佳实践的相关资料,文中... 目录前言1. 创建 Optional 对象1.1 常规创建方式2. 访问 Optional 中的值2.1
阅读更多...
Nginx Location映射规则总结归纳与最佳实践

Nginx Location映射规则总结归纳与最佳实践

《NginxLocation映射规则总结归纳与最佳实践》Nginx的location指令是配置请求路由的核心机制,其匹配规则直接影响请求的处理流程,下面给大家介绍NginxLocation映射规则... 目录一、Location匹配规则与优先级1. 匹配模式2. 优先级顺序3. 匹配示例二、Proxy_pa
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2