首页 > 专利查询

GAN（图卷积网络）的Pytorch实现

GAN（图卷积⽹络）的Pytorch实现

import torch

as nn

functional as F

import networkx as nx

def normalize(A , symmetric=True):

# A = A+I

A = A + (A.size(0))

# 所有节点的度

d = A.sum(1)

if symmetric:

#D = D^-1/2

D = torch.diag(torch.pow(d , -0.5))

过氧化氢浓度测定

(A).mm(D)

else :

# D=D^-1

D =torch.diag(torch.pow(d,-1))

(A)

class GCN(nn.Module):

取样方法

'''

Z = AXW

'''

def __init__(self , A, dim_in , dim_out):

微波功率放大器

super(GCN,self).__init__()

self.A = A

self.fc1 = nn.Linear(dim_in ,dim_in,bias=False)

self.fc2 = nn.Linear(dim_in,dim_in//2,bias=False)

vobuself.fc3 = nn.Linear(dim_in//2,dim_out,bias=False)

def forward(self,X):

'''

计算三层gcn

'''

X = F.relu(self.fc1((X)))

X = F.relu(self.fc2((X)))

return self.fc3((X))

#获得空⼿道俱乐部数据

G = nx.karate_club_graph()

A = nx.adjacency_matrix(G).todense()

#A需要正规化食品电烤箱

A_normed = normalize(torch.FloatTensor(A),True)

N = len(A)

X_dim = N

# 没有节点的特征，简单⽤⼀个单位矩阵表⽰所有节点

X = (N,X_dim)

# 正确结果

Y = s(N,1).long()

# 计算loss的时候要去掉没有标记的样本

Y_mask = s(N,1,dtype=torch.uint8)

# ⼀个分类给⼀个样本

Y[0][0]=0

Y[N-1][0]=1

#有样本的地⽅设置为1

Y_mask[0][0]=1

Y_mask[N-1][0]=1

#真实的空⼿道俱乐部的分类数据

Real = s(34 , dtype=torch.long)

for i in [1,2,3,4,5,6,7,8,11,12,13,14,17,18,20,22] :

Real[i-1] = 0

for i in [9,10,15,16,19,21,23,24,25,26,27,28,29,30,31,32,33,34] : Real[i-1] = 1

# 我们的GCN模型

gcn = GCN(A_normed ,X_dim,2)

#选择adam优化器

gd = torch.optim.Adam(gcn.parameters())

for i in range(300):

#转换到概率空间

y_pred =F.softmax(gcn(X),dim=1)

键盘刷#下⾯两⾏计算cross entropy

loss = (-y_pred.log().gather(1,Y.view(-1,1)))

#仅保留有标记的样本

loss = loss.masked_select(Y_mask).mean()

#梯度下降

#清空前⾯的导数缓存

<_grad()

#求导

loss.backward()

#⼀步更新

gd.step()

if i%20==0 :

_,mi = y_pred.max(1)

print(mi)

#计算精确度

print((mi == Real).float().mean())

本文发布于:2024-09-24 09:22:31，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/4/230000.html

上一篇：Git小技巧之使用Rebase命令合并提交

下一篇：HCGAN一种基于GAN的高容量信息隐藏算法

标签：样本没有标记俱乐部时候去掉过氧化氢

留言与评论（共有 0 条评论）