Multi-sample Dropout是Dropout的一個變種方法，該方法比普通Dropout的泛化能力更好，同時又可以縮短模型的訓練時間。XMuli-sampleDropout還可以降低訓練集和驗證集的錯誤率和損失，參見的論文編號為arXⅳ:1905.09788,2019

1 實例說明

本例就使用Muli-sampleDropout方法為圖卷積模型縮短訓練時間。

1.1 Multi-sample Dropout方法/多樣本聯合Dropout

是在Dropout隨機選取節點丟棄的部分上進行優化，即將Dropout隨機選取的一組節點變成隨機選取多組節點，并計算每組節點的結果和反向傳播的損失值。最終，將計算多組的損失值進行平均，得到最終的損失值，并用其更新網絡，如圖9-19所示。

Multi-sampleDropout在Dropout層使用兩套不同的掩碼選取出兩組節點進行訓練，這種做法相當于網絡層只運行了一次樣本，卻輸出了多個結果，進行了多次訓練。因此，它可以大大減少訓練的迭代次數。

1.1.2 特點

在深層神經網絡中，太部分運算發生在Dropout層之前的卷積層中，Muiti-sample Dropout并不會重復這些計算，所以Multi-sampleDropout對每次迭代的計算成本影響不大。它可以大幅加快訓練速度。

2 代碼實現

Pytorch神經網絡實戰學習筆記_40 【實戰】圖卷積神經網絡進行論文分類_LiBiGor的博客-CSDN博客1 案例說明（圖卷積神經網絡）CORA數據集里面含有每一篇論文的關鍵詞以及分類信息，同時還有論文間互相引用的信息。搭建AI模型，對數據集中的論文信息進行分析，根據已有論文的分類特征，從而預測出未知分類的論文類別。1.1 使用圖卷積神經網絡的特點使用圖神經網絡來實現分類。與深度學習模型的不同之處在于，圖神經網通會利用途文本身特征和論文間的關系特征進行處理，僅需要少量樣本即可達到很好的效果。1.2 CORA數據集CORA數據集是由機器學習的論文整理而來的，記錄每篇論文用到的關鍵...https://blog.csdn.net/qq_39237205/article/details/123863327基于上述代碼進行修改2.7搭建多層圖卷積與訓練部分

?2 代碼編寫

2.1 代碼實戰：引入基礎模塊，設置運行環境----Cora_GNN.py（第1部分）

from pathlib import Path # 引入提升路徑的兼容性 # 引入矩陣運算的相關庫 import numpy as np import pandas as pd from scipy.sparse import coo_matrix,csr_matrix,diags,eye # 引入深度學習框架庫 import torch from torch import nn import torch.nn.functional as F # 引入繪圖庫 import matplotlib.pyplot as plt import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"# 1.1 導入基礎模塊，并設置運行環境 # 輸出計算資源情況 device = torch.device('cuda')if torch.cuda.is_available() else torch.device('cpu') print(device) # 輸出 cuda# 輸出樣本路徑 path = Path('./data/cora') print(path) # 輸出 cuda

輸出結果：

2.2 代碼實現：讀取并解析論文數據----Cora_GNN.py（第2部分）

# 1.2 讀取并解析論文數據 # 讀取論文內容數據，將其轉化為數據 paper_features_label = np.genfromtxt(path/'cora.content',dtype=np.str_) # 使用Path對象的路徑構造，實例化的內容為cora.content。path/'cora.content'表示路徑為'data/cora/cora.content'的字符串 print(paper_features_label,np.shape(paper_features_label)) # 打印數據集內容與數據的形狀# 取出數據集中的第一列:論文ID papers = paper_features_label[:,0].astype(np.int32) print("論文ID序列：",papers) # 輸出所有論文ID # 論文重新編號，并將其映射到論文ID中，實現論文的統一管理 paper2idx = {k:v for v,k in enumerate(papers)}# 將數據中間部分的字標簽取出，轉化成矩陣 features = csr_matrix(paper_features_label[:,1:-1],dtype=np.float32) print("字標簽矩陣的形狀：",np.shape(features)) # 字標簽矩陣的形狀# 將數據的最后一項的文章分類屬性取出，轉化為分類的索引 labels = paper_features_label[:,-1] lbl2idx = { k:v for v,k in enumerate(sorted(np.unique(labels)))} labels = [lbl2idx[e] for e in labels] print("論文類別的索引號：",lbl2idx,labels[:5])

輸出：

2.3 讀取并解析論文關系數據

載入論文的關系數據，將數據中用論文ID表示的關系轉化成重新編號后的關系，將每篇論文當作一個頂點，論文間的引用關系作為邊，這樣論文的關系數據就可以用一個圖結構來表示。

?計算該圖結構的鄰接矩陣并將其轉化為無向圖鄰接矩陣。

2.3.1 代碼實現：轉化矩陣----Cora_GNN.py（第3部分）

# 1.3 讀取并解析論文關系數據 # 讀取論文關系數據，并將其轉化為數據 edges = np.genfromtxt(path/'cora.cites',dtype=np.int32) # 將數據集中論文的引用關系以數據的形式讀入 print(edges,np.shape(edges)) # 轉化為新編號節點間的關系：將數據集中論文ID表示的關系轉化為重新編號后的關系 edges = np.asarray([paper2idx[e] for e in edges.flatten()],np.int32).reshape(edges.shape) print("新編號節點間的對應關系：",edges,edges.shape) # 計算鄰接矩陣，行與列都是論文個數：由論文引用關系所表示的圖結構生成鄰接矩陣。 adj = coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape=(len(labels), len(labels)), dtype=np.float32) # 生成無向圖對稱矩陣：將有向圖的鄰接矩陣轉化為無向圖的鄰接矩陣。Tip：轉化為無向圖的原因：主要用于對論文的分類，論文的引用關系主要提供單個特征之間的關聯，故更看重是不是有關系，所以無向圖即可。 adj_long = adj.multiply(adj.T < adj) adj = adj_long + adj_long.T

輸出：

2.4 加工圖結構的矩陣數據

對圖結構的矩陣數據進行加工，使其更好地表現出圖結構特征，并參與神經網絡的模型計算。

2.4.1?加工圖結構的矩陣數據的步驟

1、對每個節點的特征數據進行歸一化處理。
2、為鄰接矩陣的對角線補1：因為在分類任務中，鄰接矩陣主要作用是通過論文間的關聯來幫助節點分類。對于對角線上的節點，表示的意義是自己與自己的關聯。將對角線節點設為1(自環圖）、表明節點也會幫助到分類任務。
3、對補1后的鄰接矩陣進行歸一化處理。

2.4.2 代碼實現：加工圖結構的矩陣數據----Cora_GNN.py（第4部分）

# 1.4 加工圖結構的矩陣數據 def normalize(mx): # 定義函數，對矩陣的數據進行歸一化處理rowsum = np.array(mx.sum(1)) # 計算每一篇論文的字數==>02 對A中的邊數求和，計算出矩陣A的度矩陣D^的特征向量r_inv = (rowsum ** -1).flatten() # 取總字數的倒數==>03 對矩陣A的度矩陣D^的特征向量求逆，并得到D^逆的特征向量r_inv[np.isinf(r_inv)] = 0.0 # 將NaN值取為0r_mat_inv = diags(r_inv) # 將總字數的倒數變為對角矩陣===》對圖結構的度矩陣求逆==>04 D^逆的特征向量轉化為對角矩陣，得到D^逆mx = r_mat_inv.dot(mx) # 左乘一個矩陣，相當于每個元素除以總數===》對每個論文頂點的邊進行歸一化處理==>05 計算D^逆與A加入自環(對角線為1)的鄰接矩陣所得A^的點積，得到拉普拉斯矩陣。return mx # 對features矩陣進行歸一化處理（每行總和為1） features = normalize(features) #在函數normalize()中，分為兩步對鄰接矩陣進行處理。1、將每篇論文總字數的倒數變成對角矩陣。該操作相當于對圖結構的度矩陣求逆。2、用度矩陣的逆左乘鄰接矩陣，相當于對圖中每個論文頂點的邊進行歸一化處理。 # 對鄰接矩陣的對角線添1，將其變為自循環圖，同時對其進行歸一化處理 adj = normalize(adj + eye(adj.shape[0])) # 對角線補1==>01實現加入自環的鄰接矩陣A

2.5 將數據轉化為張量，并分配運算資源

將加工好的圖結構矩陣數據轉為PyTorch支持的張量類型，并將其分成3份，分別用來進行訓練、測試和驗證。

2.5.1?代碼實現：將數據轉化為張量，并分配運算資源----Cora_GNN.py（第5部分）

# 1.5 將數據轉化為張量，并分配運算資源 adj = torch.FloatTensor(adj.todense()) # 節點間關系 todense()方法將其轉換回稠密矩陣。 features = torch.FloatTensor(features.todense()) # 節點自身的特征 labels = torch.LongTensor(labels) # 對每個節點的分類標簽# 劃分數據集 n_train = 200 # 訓練數據集大小 n_val = 300 # 驗證數據集大小 n_test = len(features) - n_train - n_val # 測試數據集大小 np.random.seed(34) idxs = np.random.permutation(len(features)) # 將原有的索引打亂順序# 計算每個數據集的索引 idx_train = torch.LongTensor(idxs[:n_train]) # 根據指定訓練數據集的大小并劃分出其對應的訓練數據集索引 idx_val = torch.LongTensor(idxs[n_train:n_train+n_val])# 根據指定驗證數據集的大小并劃分出其對應的驗證數據集索引 idx_test = torch.LongTensor(idxs[n_train+n_val:])# 根據指定測試數據集的大小并劃分出其對應的測試數據集索引# 分配運算資源 adj = adj.to(device) features = features.to(device) labels = labels.to(device) idx_train = idx_train.to(device) idx_val = idx_val.to(device) idx_test = idx_test.to(device)

2.6 圖卷積

圖卷積的本質是維度變換，即將每個含有in維的節點特征數據變換成含有out維的節點特征數據。

圖卷積的操作將輸入的節點特征、權重參數、加工后的鄰接矩陣三者放在一起執行點積運算。

權重參數是個in×out大小的矩陣，其中in代表輸入節點的特征維度、out代表最終要輸出的特征維度。將權重參數在維度變換中的功能當作一個全連接網絡的權重來理解，只不過在圖卷積中，它會比全連接網絡多了執行節點關系信息的點積運算。

?如上圖所示，列出全連接網絡和圖卷積網絡在忽略偏置后的關系。從中可以很清晰地看出，圖卷積網絡其實就是在全連接網絡基礎之上增加了節點關系信息。

2.6.1 代碼實現：定義Mish激活函數與圖卷積操作類----Cora_GNN.py（第6部分）

在上圖的所示的算法基礎增加偏置，定義GraphConvolution類

# 1.6 定義Mish激活函數與圖卷積操作類 def mish(x): # 性能優于RElu函數return x * (torch.tanh(F.softplus(x))) # 圖卷積類 class GraphConvolution(nn.Module):def __init__(self,f_in,f_out,use_bias = True,activation=mish):# super(GraphConvolution, self).__init__()super().__init__()self.f_in = f_inself.f_out = f_outself.use_bias = use_biasself.activation = activationself.weight = nn.Parameter(torch.FloatTensor(f_in, f_out))self.bias = nn.Parameter(torch.FloatTensor(f_out)) if use_bias else Noneself.initialize_weights()def initialize_weights(self):# 對參數進行初始化if self.activation is None: # 初始化權重nn.init.xavier_uniform_(self.weight)else:nn.init.kaiming_uniform_(self.weight, nonlinearity='leaky_relu')if self.use_bias:nn.init.zeros_(self.bias)def forward(self,input,adj): # 實現模型的正向處理流程support = torch.mm(input,self.weight) # 節點特征與權重點積：torch.mm()實現矩陣的相乘，僅支持二位矩陣。若是多維矩則使用torch.matmul()output = torch.mm(adj,support) # 將加工后的鄰接矩陣放入點積運算if self.use_bias:output.add_(self.bias) # 加入偏置if self.activation is not None:output = self.activation(output) # 激活函數處理return output

2.7? 搭建帶有Multi_Sample Dropout的多層圖卷積網絡模型---Cora_GNN_MUti-sample-Dropout.py（修改的第1部分）

# 1.7 搭建帶有Multi_Sample Dropout的多層圖卷積網絡模型:根據GCN模型， class GCNTD(nn.Module):def __init__(self,f_in,n_classes,hidden=[16],dropout_num = 8,dropout_p=0.5 ): # 默認使用8組dropout，每組丟棄率為0.5# super(GCNTD, self).__init__()super().__init__()layer = []for f_in,f_out in zip([f_in]+hidden[:-1],hidden):layer += [GraphConvolution(f_in,f_out)]self.layers = nn.Sequential(*layer)# 默認使用8個Dropout分支self.dropouts = nn.ModuleList([nn.Dropout(dropout_p,inplace=False) for _ in range(dropout_num)] )self.out_layer = GraphConvolution(f_out,n_classes,activation=None)def forward(self,x,adj):# Multi - sampleDropout結構默認使用了8個Dropout分支。在前向傳播過程中，具體步驟如下。# ①輸入樣本統一經過多層圖卷積神經網絡來到Dropout層。# ②由每個分支的Dropout按照指定的丟棄率對多層圖卷積的結果進行Dropout處理。# ③將每個分支的Dropout數據傳入到輸出層，分別得到結果。# ④將所有結果加起來，生成最終結果。for layer,d in zip(self.layers,self.dropouts):x = layer(x,adj)if len(self.dropouts) == 0:return self.out_layer(x,adj)else:for i, dropout in enumerate(self.dropouts): # 將每組的輸出疊加if i == 0 :out = dropout(x)out = self.out_layer(out,adj)else:temp_out = dropout(x)out = out + self.out_layer(temp_out,adj)return out # 返回結果n_labels = labels.max().item() + 1 # 獲取分類個數7 n_features = features.shape[1] # 獲取節點特征維度 1433 print(n_labels,n_features) # 輸出7與1433def accuracy(output,y): # 定義函數計算準確率return (output.argmax(1) == y).type(torch.float32).mean().item()### 定義函數來實現模型的訓練過程。與深度學習任務不同，圖卷積在訓練時需要傳入樣本間的關系數據。 # 因為該關系數據是與節點數相等的方陣，所以傳入的樣本數也要與節點數相同，在計算loss值時，可以通過索引從總的運算結果中取出訓練集的結果。 # 在圖卷積任務中，無論是用模型進行預測還是訓練，都需要將全部的圖結構方陣輸入。 def step(): # 定義函數來訓練模型model.train()optimizer.zero_grad()output = model(features,adj) # 將全部數據載入模型，只用訓練數據計算損失loss = F.cross_entropy(output[idx_train],labels[idx_train])acc = accuracy(output[idx_train],labels[idx_train]) # 計算準確率loss.backward()optimizer.step()return loss.item(),accdef evaluate(idx): # 定義函數來評估模型model.eval()output = model(features, adj) # 將全部數據載入模型loss = F.cross_entropy(output[idx], labels[idx]).item() # 用指定索引評估模型結果return loss, accuracy(output[idx], labels[idx])

2.8 代碼實現：訓練可視化---Cora_GNN_MUti-sample-Dropout.py（修改的第2部分）

model = GCNTD(n_features,n_labels,hidden=[16,32,16]).to(device) from ranger import * from functools import partial # 引入偏函數對Ranger設置參數 opt_func = partial(Ranger,betas=(0.9,0.99),eps=1e-6) optimizer = opt_func(model.parameters())from tqdm import tqdm # 訓練模型 epochs = 400 print_steps = 50 train_loss, train_acc = [], [] val_loss, val_acc = [], [] for i in tqdm(range(epochs)):tl,ta = step()train_loss = train_loss + [tl]train_acc = train_acc + [ta]if (i+1) % print_steps == 0 or i == 0:tl,ta = evaluate(idx_train)vl,va = evaluate(idx_val)val_loss = val_loss + [vl]val_acc = val_acc + [va]print(f'{i + 1:6d}/{epochs}: train_loss={tl:.4f}, train_acc={ta:.4f}' + f', val_loss={vl:.4f}, val_acc={va:.4f}')# 輸出最終結果 final_train, final_val, final_test = evaluate(idx_train), evaluate(idx_val), evaluate(idx_test) print(f'Train : loss={final_train[0]:.4f}, accuracy={final_train[1]:.4f}') print(f'Validation: loss={final_val[0]:.4f}, accuracy={final_val[1]:.4f}') print(f'Test : loss={final_test[0]:.4f}, accuracy={final_test[1]:.4f}')# 可視化訓練過程 fig, axes = plt.subplots(1, 2, figsize=(15,5)) ax = axes[0] axes[0].plot(train_loss[::print_steps] + [train_loss[-1]], label='Train') axes[0].plot(val_loss, label='Validation') axes[1].plot(train_acc[::print_steps] + [train_acc[-1]], label='Train') axes[1].plot(val_acc, label='Validation') for ax,t in zip(axes, ['Loss', 'Accuracy']): ax.legend(), ax.set_title(t, size=15)# 輸出模型的預測結果 output = model(features, adj) samples = 10 idx_sample = idx_test[torch.randperm(len(idx_test))[:samples]] # 將樣本標簽與預測結果進行比較 idx2lbl = {v:k for k,v in lbl2idx.items()} df = pd.DataFrame({'Real': [idx2lbl[e] for e in labels[idx_sample].tolist()],'Pred': [idx2lbl[e] for e in output[idx_sample].argmax(1).tolist()]}) print(df)

輸出：

僅僅經過400輪就可以得到更好的結果

3 代碼總覽

?Cora_GNN_MUti-sample-Dropout.py

from pathlib import Path # 引入提升路徑的兼容性 # 引入矩陣運算的相關庫 import numpy as np import pandas as pd from scipy.sparse import coo_matrix,csr_matrix,diags,eye # 引入深度學習框架庫 import torch from torch import nn import torch.nn.functional as F # 引入繪圖庫 import matplotlib.pyplot as plt import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"# 1.1 導入基礎模塊，并設置運行環境 # 輸出計算資源情況 device = torch.device('cuda')if torch.cuda.is_available() else torch.device('cpu') print(device) # 輸出 cuda# 輸出樣本路徑 path = Path('./data/cora') print(path) # 輸出 cuda# 1.2 讀取并解析論文數據 # 讀取論文內容數據，將其轉化為數據 paper_features_label = np.genfromtxt(path/'cora.content',dtype=np.str_) # 使用Path對象的路徑構造，實例化的內容為cora.content。path/'cora.content'表示路徑為'data/cora/cora.content'的字符串 print(paper_features_label,np.shape(paper_features_label)) # 打印數據集內容與數據的形狀# 取出數據集中的第一列:論文ID papers = paper_features_label[:,0].astype(np.int32) print("論文ID序列：",papers) # 輸出所有論文ID # 論文重新編號，并將其映射到論文ID中，實現論文的統一管理 paper2idx = {k:v for v,k in enumerate(papers)}# 將數據中間部分的字標簽取出，轉化成矩陣 features = csr_matrix(paper_features_label[:,1:-1],dtype=np.float32) print("字標簽矩陣的形狀：",np.shape(features)) # 字標簽矩陣的形狀# 將數據的最后一項的文章分類屬性取出，轉化為分類的索引 labels = paper_features_label[:,-1] lbl2idx = { k:v for v,k in enumerate(sorted(np.unique(labels)))} labels = [lbl2idx[e] for e in labels] print("論文類別的索引號：",lbl2idx,labels[:5])# 1.3 讀取并解析論文關系數據 # 讀取論文關系數據，并將其轉化為數據 edges = np.genfromtxt(path/'cora.cites',dtype=np.int32) # 將數據集中論文的引用關系以數據的形式讀入 print(edges,np.shape(edges)) # 轉化為新編號節點間的關系：將數據集中論文ID表示的關系轉化為重新編號后的關系 edges = np.asarray([paper2idx[e] for e in edges.flatten()],np.int32).reshape(edges.shape) print("新編號節點間的對應關系：",edges,edges.shape) # 計算鄰接矩陣，行與列都是論文個數：由論文引用關系所表示的圖結構生成鄰接矩陣。 adj = coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape=(len(labels), len(labels)), dtype=np.float32) # 生成無向圖對稱矩陣：將有向圖的鄰接矩陣轉化為無向圖的鄰接矩陣。Tip：轉化為無向圖的原因：主要用于對論文的分類，論文的引用關系主要提供單個特征之間的關聯，故更看重是不是有關系，所以無向圖即可。 adj_long = adj.multiply(adj.T < adj) adj = adj_long + adj_long.T# 1.4 加工圖結構的矩陣數據 def normalize(mx): # 定義函數，對矩陣的數據進行歸一化處理rowsum = np.array(mx.sum(1)) # 計算每一篇論文的字數==>02 對A中的邊數求和，計算出矩陣A的度矩陣D^的特征向量r_inv = (rowsum ** -1).flatten() # 取總字數的倒數==>03 對矩陣A的度矩陣D^的特征向量求逆，并得到D^逆的特征向量r_inv[np.isinf(r_inv)] = 0.0 # 將NaN值取為0r_mat_inv = diags(r_inv) # 將總字數的倒數變為對角矩陣===》對圖結構的度矩陣求逆==>04 D^逆的特征向量轉化為對角矩陣，得到D^逆mx = r_mat_inv.dot(mx) # 左乘一個矩陣，相當于每個元素除以總數===》對每個論文頂點的邊進行歸一化處理==>05 計算D^逆與A加入自環(對角線為1)的鄰接矩陣所得A^的點積，得到拉普拉斯矩陣。return mx # 對features矩陣進行歸一化處理（每行總和為1） features = normalize(features) #在函數normalize()中，分為兩步對鄰接矩陣進行處理。1、將每篇論文總字數的倒數變成對角矩陣。該操作相當于對圖結構的度矩陣求逆。2、用度矩陣的逆左乘鄰接矩陣，相當于對圖中每個論文頂點的邊進行歸一化處理。 # 對鄰接矩陣的對角線添1，將其變為自循環圖，同時對其進行歸一化處理 adj = normalize(adj + eye(adj.shape[0])) # 對角線補1==>01實現加入自環的鄰接矩陣A# 1.5 將數據轉化為張量，并分配運算資源 adj = torch.FloatTensor(adj.todense()) # 節點間關系 todense()方法將其轉換回稠密矩陣。 features = torch.FloatTensor(features.todense()) # 節點自身的特征 labels = torch.LongTensor(labels) # 對每個節點的分類標簽# 劃分數據集 n_train = 200 # 訓練數據集大小 n_val = 300 # 驗證數據集大小 n_test = len(features) - n_train - n_val # 測試數據集大小 np.random.seed(34) idxs = np.random.permutation(len(features)) # 將原有的索引打亂順序# 計算每個數據集的索引 idx_train = torch.LongTensor(idxs[:n_train]) # 根據指定訓練數據集的大小并劃分出其對應的訓練數據集索引 idx_val = torch.LongTensor(idxs[n_train:n_train+n_val])# 根據指定驗證數據集的大小并劃分出其對應的驗證數據集索引 idx_test = torch.LongTensor(idxs[n_train+n_val:])# 根據指定測試數據集的大小并劃分出其對應的測試數據集索引# 分配運算資源 adj = adj.to(device) features = features.to(device) labels = labels.to(device) idx_train = idx_train.to(device) idx_val = idx_val.to(device) idx_test = idx_test.to(device)# 1.6 定義Mish激活函數與圖卷積操作類 def mish(x): # 性能優于RElu函數return x * (torch.tanh(F.softplus(x))) # 圖卷積類 class GraphConvolution(nn.Module):def __init__(self,f_in,f_out,use_bias = True,activation=mish):# super(GraphConvolution, self).__init__()super().__init__()self.f_in = f_inself.f_out = f_outself.use_bias = use_biasself.activation = activationself.weight = nn.Parameter(torch.FloatTensor(f_in, f_out))self.bias = nn.Parameter(torch.FloatTensor(f_out)) if use_bias else Noneself.initialize_weights()def initialize_weights(self):# 對參數進行初始化if self.activation is None: # 初始化權重nn.init.xavier_uniform_(self.weight)else:nn.init.kaiming_uniform_(self.weight, nonlinearity='leaky_relu')if self.use_bias:nn.init.zeros_(self.bias)def forward(self,input,adj): # 實現模型的正向處理流程support = torch.mm(input,self.weight) # 節點特征與權重點積：torch.mm()實現矩陣的相乘，僅支持二位矩陣。若是多維矩則使用torch.matmul()output = torch.mm(adj,support) # 將加工后的鄰接矩陣放入點積運算if self.use_bias:output.add_(self.bias) # 加入偏置if self.activation is not None:output = self.activation(output) # 激活函數處理return output# 1.7 搭建帶有Multi_Sample Dropout的多層圖卷積網絡模型:根據GCN模型， class GCNTD(nn.Module):def __init__(self,f_in,n_classes,hidden=[16],dropout_num = 8,dropout_p=0.5 ): # 默認使用8組dropout，每組丟棄率為0.5# super(GCNTD, self).__init__()super().__init__()layer = []for f_in,f_out in zip([f_in]+hidden[:-1],hidden):layer += [GraphConvolution(f_in,f_out)]self.layers = nn.Sequential(*layer)# 默認使用8個Dropout分支self.dropouts = nn.ModuleList([nn.Dropout(dropout_p,inplace=False) for _ in range(dropout_num)] )self.out_layer = GraphConvolution(f_out,n_classes,activation=None)def forward(self,x,adj):# Multi - sampleDropout結構默認使用了8個Dropout分支。在前向傳播過程中，具體步驟如下。# ①輸入樣本統一經過多層圖卷積神經網絡來到Dropout層。# ②由每個分支的Dropout按照指定的丟棄率對多層圖卷積的結果進行Dropout處理。# ③將每個分支的Dropout數據傳入到輸出層，分別得到結果。# ④將所有結果加起來，生成最終結果。for layer,d in zip(self.layers,self.dropouts):x = layer(x,adj)if len(self.dropouts) == 0:return self.out_layer(x,adj)else:for i, dropout in enumerate(self.dropouts): # 將每組的輸出疊加if i == 0 :out = dropout(x)out = self.out_layer(out,adj)else:temp_out = dropout(x)out = out + self.out_layer(temp_out,adj)return out # 返回結果 n_labels = labels.max().item() + 1 # 獲取分類個數7 n_features = features.shape[1] # 獲取節點特征維度 1433 print(n_labels,n_features) # 輸出7與1433def accuracy(output,y): # 定義函數計算準確率return (output.argmax(1) == y).type(torch.float32).mean().item()### 定義函數來實現模型的訓練過程。與深度學習任務不同，圖卷積在訓練時需要傳入樣本間的關系數據。 # 因為該關系數據是與節點數相等的方陣，所以傳入的樣本數也要與節點數相同，在計算loss值時，可以通過索引從總的運算結果中取出訓練集的結果。 # 在圖卷積任務中，無論是用模型進行預測還是訓練，都需要將全部的圖結構方陣輸入。 def step(): # 定義函數來訓練模型model.train()optimizer.zero_grad()output = model(features,adj) # 將全部數據載入模型，只用訓練數據計算損失loss = F.cross_entropy(output[idx_train],labels[idx_train])acc = accuracy(output[idx_train],labels[idx_train]) # 計算準確率loss.backward()optimizer.step()return loss.item(),accdef evaluate(idx): # 定義函數來評估模型model.eval()output = model(features, adj) # 將全部數據載入模型loss = F.cross_entropy(output[idx], labels[idx]).item() # 用指定索引評估模型結果return loss, accuracy(output[idx], labels[idx])model = GCNTD(n_features,n_labels,hidden=[16,32,16]).to(device) from ranger import * from functools import partial # 引入偏函數對Ranger設置參數 opt_func = partial(Ranger,betas=(0.9,0.99),eps=1e-6) optimizer = opt_func(model.parameters())from tqdm import tqdm # 訓練模型 epochs = 400 print_steps = 50 train_loss, train_acc = [], [] val_loss, val_acc = [], [] for i in tqdm(range(epochs)):tl,ta = step()train_loss = train_loss + [tl]train_acc = train_acc + [ta]if (i+1) % print_steps == 0 or i == 0:tl,ta = evaluate(idx_train)vl,va = evaluate(idx_val)val_loss = val_loss + [vl]val_acc = val_acc + [va]print(f'{i + 1:6d}/{epochs}: train_loss={tl:.4f}, train_acc={ta:.4f}' + f', val_loss={vl:.4f}, val_acc={va:.4f}')# 輸出最終結果 final_train, final_val, final_test = evaluate(idx_train), evaluate(idx_val), evaluate(idx_test) print(f'Train : loss={final_train[0]:.4f}, accuracy={final_train[1]:.4f}') print(f'Validation: loss={final_val[0]:.4f}, accuracy={final_val[1]:.4f}') print(f'Test : loss={final_test[0]:.4f}, accuracy={final_test[1]:.4f}')# 可視化訓練過程 fig, axes = plt.subplots(1, 2, figsize=(15,5)) ax = axes[0] axes[0].plot(train_loss[::print_steps] + [train_loss[-1]], label='Train') axes[0].plot(val_loss, label='Validation') axes[1].plot(train_acc[::print_steps] + [train_acc[-1]], label='Train') axes[1].plot(val_acc, label='Validation') for ax,t in zip(axes, ['Loss', 'Accuracy']): ax.legend(), ax.set_title(t, size=15)# 輸出模型的預測結果 output = model(features, adj) samples = 10 idx_sample = idx_test[torch.randperm(len(idx_test))[:samples]] # 將樣本標簽與預測結果進行比較 idx2lbl = {v:k for k,v in lbl2idx.items()} df = pd.DataFrame({'Real': [idx2lbl[e] for e in labels[idx_sample].tolist()],'Pred': [idx2lbl[e] for e in output[idx_sample].argmax(1).tolist()]}) print(df)

總結

以上是生活随笔為你收集整理的【Pytorch神经网络实战案例】21 基于Cora数据集实现Multi_Sample Dropout图卷积网络模型的论文分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。