前言
大家好，我是阿光。
本專欄整理了《圖神經(jīng)網(wǎng)絡(luò)代碼實戰(zhàn)》，內(nèi)包含了不同圖神經(jīng)網(wǎng)絡(luò)的相關(guān)代碼實現(xiàn)（PyG以及自實現(xiàn)），理論與實踐相結(jié)合，如GCN、GAT、GraphSAGE等經(jīng)典圖網(wǎng)絡(luò)，每一個代碼實例都附帶有完整的代碼。
正在更新中~ ?
?? 我的項目環(huán)境：
- 平臺：Windows10
- 語言環(huán)境：python3.7
- 編譯器：PyCharm
- PyTorch版本：1.11.0
- PyG版本：2.1.0
?? 『精品學習專欄導(dǎo)航帖』
-
??【Matplotlib繪制圖像目錄】Python數(shù)據(jù)可視化之美??
-
??【Pandas數(shù)據(jù)處理100例目錄】Python數(shù)據(jù)分析玩轉(zhuǎn)Excel表格數(shù)據(jù)??
-
??最適合入門的100個深度學習實戰(zhàn)項目??
-
??【PyTorch深度學習項目實戰(zhàn)100例目錄】項目詳解 + 數(shù)據(jù)集 + 完整源碼??
-
??【機器學習入門項目10例目錄】項目詳解 + 數(shù)據(jù)集 + 完整源碼??
-
??【機器學習項目實戰(zhàn)10例目錄】項目詳解 + 數(shù)據(jù)集 + 完整源碼??
-
??Java經(jīng)典編程100例??
-
??Python經(jīng)典編程100例??
-
??藍橋杯歷屆真題題目+解析+代碼+答案??
-
??【2023王道數(shù)據(jù)結(jié)構(gòu)目錄】課后算法設(shè)計題C、C++代碼實現(xiàn)完整版大全??
對于本專欄的網(wǎng)絡(luò)模型，分別使用了三種實現(xiàn)方式 PyG框架實現(xiàn)、PyTorch實現(xiàn)、Message Passing消息傳遞機制實現(xiàn)，小伙伴可以按照自己的能力以及需求學習不同的實現(xiàn)方式。
注意 ??：本目錄中已存在的鏈接博文已全部寫好，例如 + （一）：節(jié)點分類 這類帶有刪除線的文章表示正在更新中，如果寫完會去掉刪除線，點擊出現(xiàn)404表示文章還沒有發(fā)布，后續(xù)根據(jù)情況陸續(xù)發(fā)布。
??『目錄』
?? PyG算子、數(shù)據(jù)集介紹
- （一）：PyG內(nèi)置常見圖數(shù)據(jù)集一覽表
- （二）：PyG圖神經(jīng)網(wǎng)絡(luò)算子一覽表
?? 圖神經(jīng)網(wǎng)絡(luò)常見任務(wù)與應(yīng)用場景
- （一）：節(jié)點分類（PyG基于GCN實現(xiàn)Cora節(jié)點分類任務(wù)）
-
（二）：圖分類（PyG基于GCN實現(xiàn)MUTAG圖分類任務(wù)）
+ （三）：鏈路預(yù)測+ （四）：異常檢測+ （五）：社區(qū)檢測
?? 圖嵌入學習（Graph Embedding）
- （一）：DeepWalk（PyG基于DeepWalk實現(xiàn)節(jié)點分類及其可視化）
- （二）：Node2Vec（PyG基于Node2Vec實現(xiàn)節(jié)點分類及其可視化）
-
（三）：MetaPath2Vec（PyG基于MetaPath2Vec實現(xiàn)節(jié)點分類及其可視化）
+ （三）：LINE
?? 圖池化（Graph Pooling）
- （一）：EdgePool（Pytorch+PyG實現(xiàn)EdgePool實現(xiàn)圖分類）
- （二）：TopKPool（Pytorch+PyG實現(xiàn)TopKPool實現(xiàn)圖分類）
- （三）：SAGPool（Pytorch+PyG實現(xiàn)SAGPool實現(xiàn)圖分類）
- （四）：ASAPool（Pytorch+PyG實現(xiàn)ASAPool實現(xiàn)圖分類）
?? MLP
- （一）：Pytorch+PyG實現(xiàn)MLP(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)MLP(基于PyTorch實現(xiàn))
?? GCN
- （一）：Pytorch+PyG實現(xiàn)GCN(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)GCN(基于PyTorch實現(xiàn))
- （三）：Pytorch實現(xiàn)GCN(基于Message Passing消息傳遞機制實現(xiàn))
?? GAT
- （一）：Pytorch+PyG實現(xiàn)GAT(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)GAT(基于PyTorch實現(xiàn))
- （三）：Pytorch實現(xiàn)GAT(基于Message Passing消息傳遞機制實現(xiàn))
?? GIN
- （一）：Pytorch+PyG實現(xiàn)GIN(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)GIN(基于PyTorch實現(xiàn))
- （三）：Pytorch實現(xiàn)GIN(基于Message Passing消息傳遞機制實現(xiàn))
?? GraphSAGE
- （一）：Pytorch+PyG實現(xiàn)GraphSAGE(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)GraphSAGE(基于PyTorch實現(xiàn))
- （三）：Pytorch實現(xiàn)GraphSAGE(基于Message Passing消息傳遞機制實現(xiàn))
?? EdgeCNN
- （一）：Pytorch+PyG實現(xiàn)EdgeCNN(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)EdgeCNN(基于PyTorch實現(xiàn))
- （三）：Pytorch實現(xiàn)EdgeCNN(基于Message Passing消息傳遞機制實現(xiàn))
?? GraphConv文章來源：http://www.zghlxwxcb.cn/news/detail-780571.html
- （一）：Pytorch+PyG實現(xiàn)GraphConv(基于PyG實現(xiàn))
- （二）：Pytorch實現(xiàn)GraphConv(基于PyTorch實現(xiàn))
- （三）：Pytorch實現(xiàn)GraphConv(基于Message Passing消息傳遞機制實現(xiàn))
注意??：所有文章使用的圖數(shù)據(jù)是經(jīng)典的 Cora 數(shù)據(jù)集，定義的訓練輪數(shù)（200輪）以及損失函數(shù)優(yōu)化器都是一致的，由于圖網(wǎng)絡(luò)很容易過擬合導(dǎo)致訓練集的分類精度達到 99.9%，所以下表中顯示的數(shù)據(jù)都是基于測試集的。文章來源地址http://www.zghlxwxcb.cn/news/detail-780571.html
| Accuracy | Loss | |
|---|---|---|
| MLP | 0.1800 | 1.9587 |
| GCN | 0.7200 | 1.3561 |
| GAT | 0.7810 | 1.0362 |
| GIN | 0.7650 | 0.9645 |
| GraphSAGE | 0.7060 | 1.2712 |
| EdgeCNN | 0.3790 | 1.7529 |
| GraphConv | 0.6030 | 1.2378 |
到了這里，關(guān)于PyTorch+PyG實現(xiàn)圖神經(jīng)網(wǎng)絡(luò)經(jīng)典模型目錄的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
