@[TOC](文章目录)
---
# 前言
---
最近看了这个GCN图神经网络的代码和论文,对这个神经网络也算是有一些了解,这里做一个阶段性的总结,以便后续回忆起来更加方便。
# 一、GCN是什么?
1、(graph convolution network)图卷积神经网络,是2016年诞生,在顶级会议(ICLR)上面发表,后面便兴起了图神经网络。 2、CNN,RNN等神经网络,对图结构的数据,一直都没有取得良好的效果,GCN做到了。
3、我想其实也是可以延着图神经网络这条线,一直学习下去的,毕竟图神经网络可以很好的提取相关的特征啊。
# 二、公式,原理等
公式:
![img.png](img.png)
`参数说明`
- A波浪:A+I,I是单位矩阵
- D波浪:是A波浪的度矩阵
- H是每一层的特征,对于输入层,H就是X
- σ是非线性激活函数
- W是参数矩阵
# 三、代码部分的学习
1、代码目录结构:
- layers.py:封装了GraphConvolution,主要是对参数进行设置,包括weight参数,bias参数的设置定义等
- utils.py:提供了数据初始化,onehot编码,将scipy稀疏矩阵转化为torch的稀疏矩阵,归一化稀疏矩阵,以及计算准确度的函数
详细介绍:
- one_hot():onehot编码,这里使用了一个比较巧妙的方法:先是创建了一个dict的for循环,然后使用map(a,b)函数,a:前面定义的字典写法,b:
label数据,这样就把整个数据切换为了onehot编码。identity():用于n*n的单位矩阵(主对角线素全为1,其余全为0的矩阵)。到时候可以学习一下它的写法。
- load_data():
这个方法中包含了很多关于矩阵数据处理的方法:获取特征的标签;创建图数据;导入edges数据;构建邻接矩阵数据;建立对称邻接矩阵;计算转置矩阵,将有向图转成无向图;使用自行定义的归一化方法,进行归一化;以及将numpy数据转化为torch(
张量数据)
- sparse_mx_to_torch_sparse_tensor():这里是将scipy稀疏矩阵转化为torch稀疏矩阵:from_numpy():将numpy.ndarray转化为pytorch的tensor,
- normalize():行归一化稀疏矩阵。这里有几个方法:isinf():判断无穷大值;diags():构造对角矩阵;dot():是点乘函数,即每个对应的点进行相乘,然后相加。
- model.py:搭建的神经网络,以及一个正向传播的方法
- train.py:这里主要就是训练模型的
· 用创建的模型,训练数据,这里前面是定义了一个模型的,
· 运行模型,输入参数,
· 损失函数定义
· 计算精确度
- 数据集
· cora.site:两列数据,即表示两个对应节点之间,有连接关系 · cora.content:最后一列是标签,前面是特征数据
# 总结
所以,我看了这个代码之后,最直观的是学习了几个关于矩阵处理的方法么?里面的GCN卷积层似乎都没有学习到,
没有合适的资源?快使用搜索试试~ 我知道了~
研究生期间学习的深度学习,机器学习,论文复现以及自己研究东西的。.zip
共91个文件
py:40个
csv:15个
pyc:11个
需积分: 5 3 下载量 12 浏览量
2024-04-16
20:45:44
上传
评论 1
收藏 10.46MB ZIP 举报
温馨提示
机器学习(ML)是计算机系统为了有效地执行特定任务,不使用明确的指令,而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。机器学习算法构建一个基于样本数据的数学模型,称为“训练数据”,以便在没有明确编程来执行任务的情况下进行预测或决策。[1][2]机器学习算法用于各种应用,例如电子邮件过滤和计算机视觉,在这些应用中,开发用于执行任务的特定指令的算法是不可行的。机器学习与计算统计学密切相关,计算统计学侧重于使用计算机进行预测。算法优化的研究为机器学习领域提供了方法、理论和应用领域。数据挖掘是机器学习中的一个研究领域,侧重于探索性数据分析到无监督学习。[3][4]在跨业务问题的应用中,机器学习也被称为预测分析。
资源推荐
资源详情
资源评论
收起资源包目录
研究生期间学习的深度学习,机器学习,论文复现以及自己研究东西的。.zip (91个子文件)
content
Research
__init__.py 140B
GCSENet
__init__.py 140B
data
Generate feature
miRNA-gene
gene_name.csv 18KB
g-g.csv 26.9MB
g-m.csv 849KB
miRNA_name.csv 4KB
m-m.csv 350KB
disease-gene
g-d.csv 713KB
disease_name.csv 4KB
gene_name.csv 18KB
g-g.csv 26.9MB
d-d.csv 796KB
process_feature
neg.txt 7KB
output_file
label.csv 2KB
disease_miRNA.csv 8.77MB
pos.txt 7KB
Test
test.TXT 6KB
README.md 395B
CNN_SENet
label.csv 2KB
disease_miRNA.csv 8.77MB
ReanME.md 1KB
deep_learning
__init__.py 140B
gcnNet
utils.py 4KB
__init__.py 140B
data
cora
README 2KB
cora.cites 68KB
cora.content 7.46MB
ReadMe.md 3KB
img.png 25KB
layers.py 1KB
model.py 673B
train.py 3KB
__pycache__
model.cpython-38.pyc 1KB
utils.cpython-38.pyc 3KB
layers.cpython-38.pyc 2KB
__init__.cpython-38.pyc 250B
cnnNet
__init__.py 140B
model.py 1KB
train.py 1KB
__pycache__
model.cpython-38.pyc 1KB
__init__.cpython-38.pyc 250B
__pycache__
__init__.cpython-38.pyc 243B
seNet
__init__.py 140B
model.py 960B
resNet
__init__.py 140B
model.py 5KB
readME.md 54B
LICENSE 34KB
Util
__init__.py 0B
set_console_max.py 521B
__pycache__
set_console_max.cpython-38.pyc 386B
__init__.cpython-38.pyc 136B
数据可视化
1.温度数据画图.py 1KB
2.多坐标系显示图像.py 1KB
.idea
other.xml 233B
misc.xml 192B
inspectionProfiles
profiles_settings.xml 174B
modules.xml 282B
AriousAlgrithms.iml 407B
.gitignore 176B
encodings.xml 200B
test
自定义核函数_SVM.py 2KB
test.py 1KB
data_set
breast-cancer-wisconsin.data 19KB
breast-cancer-wisconsin.names 6KB
optdigits.tes 259KB
optdigits.tra 550KB
Titanic_dataSets.csv 45KB
机器学习
监督学习
2回归预测
3K近邻(回归).py 909B
4回归树.py 813B
2支持向量机.py 2KB
1线性回归器.py 3KB
5集成模型.py 1KB
1分类学习
1线性分类.py 4KB
2支持向量机.py 2KB
5决策树.py 1KB
3朴素贝叶斯.py 1KB
6集成模型(分类).py 3KB
随机游走.py 1KB
4K近邻算法.py 2KB
无监督学习
1数据聚类
1K-means算法.py 4KB
2轮廓系数评价.py 3KB
2特征降维
1主成分分析.py 4KB
example
readme.rst 70B
2回归预测
__init__.py 0B
4回归树.py 950B
README.md 531B
Common
__init__.py 0B
boston_data.py 838B
__pycache__
boston_data.cpython-38.pyc 720B
__init__.cpython-38.pyc 138B
共 91 条
- 1
资源评论
生瓜蛋子
- 粉丝: 3828
- 资源: 5678
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功