基于Keras+cora和citeseer数据集实现GAT训练及节点分类测试python源码+数据集+项目说明.zip

【项目介绍】 基于Keras+cora和citeseer数据集实现GAT训练及节点分类测试python源码+数据集+项目说明.zip 环境： CUDA：11.6.134 cuDNN：8.4.0 keras：2.9.0 tensorflow：2.9.1 注意： 项目内目录中两个文件夹： 1. /datasets：将数据集文件解压至此 2. /save_models：保存训练好的模型权重文件，包括生成器权重和判别器权重两个文件 GAT概述 图神经网络(Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称，根据采用的技术不同和分类方法的不同， 又可以分为下图中的不同种类，例如从传播的方式来看，图神经网络可以分为图卷积神经网络（GCN），图注意力网络（GAT），Graph LSTM等等 图注意力网络(Graph Attention Network, GAT)，一种基于图结构数据的新型神经网络架构，利用隐藏的自我注意层来解决之前基于图卷积或其近似的方法的不足。通过堆叠层，节点能够参与到邻居的特征，可以(隐式地)为邻域中的不同节点指定不同的权值，而不需要任何代价高昂的矩阵操作(如反转)，也不需要预先知道图的结构。通过这种方法，该模型克服了基于频谱的故神经网络的几个关键挑战，并使得模型适用于归纳和推理问题。 数据集： cora：包含2708篇科学出版物网络，共有5429条边，总共7种类别。 数据集中的每个出版物都由一个 0/1 值的词向量描述，表示字典中相应词的缺失/存在。 该词典由 1433 个独特的词组成。 链接：https://pan.baidu.com/s/1u7v3oJcTvnFWAhHdSLHwtA?pwd=52dl 提取码：52dl citeseer：包含3312个节点，4723条边构成的引文网络。标签共6个类别。数据集的特征维度是3703维。 链接：https://pan.baidu.com/s/11n2AQCVSV6OevSkUhYWcNg?pwd=52dl 提取码：52dl 通过测试，采用以下设置： train_nodes = 140# 训练节点数量 epochs = 100# 迭代次数 hidden_dim=128# 隐层维度 att_heads=6# 注意力头数量 dropout_rate = 0.5# dropout概率率 Adam LR = 5e-3# 学习率 GAT在cora数据集和citeseer数据集上具有70%和80%左右的准确率，上面参数随便设置的，调好超参数应该还能提高一点。 【备注】 1.项目代码均经过功能验证，确保稳定可靠运行。欢迎下载食用体验！ 2.主要针对各个计算机相关专业，包括计算机科学、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师、企业员工。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.鼓励大家基于此进行二次开发。在使用过程中，如有问题或建议，请及时沟通。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！