前言

在上一篇文章PyG搭建GCN前的准备：了解PyG中的数据格式中大致了解了PyG中的数据格式，这篇文章主要是简单搭建GCN来实现节点分类，主要目的是了解PyG中GCN的参数情况。

模型搭建

首先导入包：

from torch_geometric.nn import GCNConv

模型参数：
在这里插入图片描述

in_channels：输入通道，比如节点分类中表示每个节点的特征数。
out_channels：输出通道，最后一层GCNConv的输出通道为节点类别数（节点分类）。
improved：如果为True表示自环增加，也就是原始邻接矩阵加上2I而不是I，默认为False。
cached：如果为True，GCNConv在第一次对邻接矩阵进行归一化时会进行缓存，以后将不再重复计算。
add_self_loops：如果为False不再强制添加自环，默认为True。
normalize：默认为True，表示对邻接矩阵进行归一化。
bias：默认添加偏置。

于是模型搭建如下：

class GCN(torch.nn.Module):
    def __init__(self, num_node_features, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_node_features, 16)
        self.conv2 = GCNConv(16, num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = F.softmax(x, dim=1)

        return x

输出一下模型：

data = Planetoid(root='/data/CiteSeer', name='CiteSeer')
model = GCN(data.num_node_features, data.num_classes).to(device)
print(model)

输出为：

GCN(
  (conv1): GCNConv(3703, 16)
  (conv2): GCNConv(16, 6)
)

1. 前向传播

查看官方文档中GCNConv的输入输出要求：
在这里插入图片描述
可以发现，GCNConv中需要输入的是节点特征矩阵x和邻接关系edge_index，还有一个可选项edge_weight。因此我们首先：

x, edge_index = data.x, data.edge_index
x = self.conv1(x, edge_index)
x = F.relu(x)
x = F.dropout(x, training=self.training)

此时我们不妨输出一下x及其size：

tensor([[0.0000, 0.1630, 0.0000,  ..., 0.0000, 0.0488, 0.0000],
        [0.0000, 0.2451, 0.1614,  ..., 0.0000, 0.0125, 0.0000],
        [0.1175, 0.0262, 0.2141,  ..., 0.2592, 0.0000, 0.0000],
        ...,
        [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.1825, 0.0000],
        [0.0000, 0.1024, 0.0000,  ..., 0.0498, 0.0000, 0.0000],
        [0.0000, 0.3263, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],
       device='cuda:0', grad_fn=<FusedDropoutBackward0>)

torch.Size([3327, 16])

此时的x一共3327行，每一行表示一个节点经过第一层卷积更新后的状态向量。

那么同理，由于：

self.conv2 = GCNConv(16, num_classes)

所以经过第二层卷积后：

x = self.conv2(x, edge_index)
x = F.relu(x)
x = F.dropout(x, training=self.training)

此时得到的x的size应该为：

torch.Size([3327, 6])

即每个节点的维度为6的状态向量。

由于我们需要进行6分类，所以最后需要加上一个softmax：

x = F.softmax(x, dim=1)

dim=1表示对每一行进行运算，最终每一行之和加起来为1，也就表示了该节点为每一类的概率。输出此时的x：

tensor([[0.1607, 0.1727, 0.1607, 0.1607, 0.1607, 0.1846],
        [0.1654, 0.1654, 0.1654, 0.1654, 0.1654, 0.1731],
        [0.1778, 0.1622, 0.1733, 0.1622, 0.1622, 0.1622],
        ...,
        [0.1659, 0.1659, 0.1659, 0.1704, 0.1659, 0.1659],
        [0.1667, 0.1667, 0.1667, 0.1667, 0.1667, 0.1667],
        [0.1641, 0.1641, 0.1658, 0.1766, 0.1653, 0.1641]], device='cuda:0',
       grad_fn=<SoftmaxBackward0>)

2. 反向传播

在训练时，我们首先利用前向传播计算出输出：

out = model(data)

out即为最终得到的每个节点的6个概率值，但在实际训练中，我们只需要计算出训练集的损失，所以损失函数这样写：

loss = loss_function(out[data.train_mask], data.y[data.train_mask])

然后计算梯度，反向更新！

3. 训练

训练的完整代码：

def train():
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
    loss_function = torch.nn.CrossEntropyLoss().to(device)
    model.train()
    for epoch in range(500):
        out = model(data)
        optimizer.zero_grad()
        loss = loss_function(out[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()

        print('Epoch {:03d} loss {:.4f}'.format(epoch, loss.item()))

4. 测试

我们首先需要算出模型对所有节点的预测值：

model(data)

此时得到的是每个节点的6个概率值，我们需要在每一行上取其最大值：

model(data).max(dim=1)

输出一下：

torch.return_types.max(
values=tensor([0.9100, 0.9071, 0.9786,  ..., 0.4321, 0.4009, 0.8779], device='cuda:0',
       grad_fn=<MaxBackward0>),
indices=tensor([3, 1, 5,  ..., 3, 1, 5], device='cuda:0'))

返回的第一项是每一行的最大值，第二项为最大值在这一行中的索引，我们只需要取第二项，那么最终的预测值应该写为：

_, pred = model(data).max(dim=1)

然后计算预测精度：

correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
acc = correct / int(data.test_mask.sum())
print('GCN Accuracy: {:.4f}'.format(acc))