2023.08.01 pytorch_geo基礎【torch_geometric】

GNNの畳み込み層を利用して空手クラブのネットワークを学習する。

学習済みのモデルに対して

必要なライブラリを読み込み

code:python

import torch

import torch.nn as nn

import torch.nn.functional as F

from torch_geometric.nn import GCNConv

from torch_geometric.data import Data

from torch_geometric.datasets import KarateClub

from torch_geometric.data import Data

from torch_geometric.utils import to_networkx

import networkx as nx

from matplotlib import pyplot as plt

import numpy as np

関数とクラスの定義

code:python

class Net(torch.nn.Module):

def __init__(self):

super().__init__()

hidden_size = 5

self.conv1 = GCNConv(dataset.num_node_features, hidden_size)

self.conv2 = GCNConv(hidden_size, dataset.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 = self.conv2(x, edge_index)

return F.softmax(x, dim=1)

def check_graph(data):

print(data,'グラフ構造')

print(data.keys, 'グラフのキー')

print(data.num_nodes, 'ノード数')

print(data.num_node_features, 'ノードの特徴量数')

print(data.num_edges, 'エッジ数')

print(data.has_isolated_nodes(), '孤立ノードの有無')

print(data.has_self_loops(), '自己ループの有無')

for key in data.keys:

print('## ', key)

データセットの読み込み

code:python

dataset = KarateClub()

print(len(dataset), '空手クラブデータセットが有するデータの数') # 1

print(type(dataset), 'データセットの確認')

print(dataset.num_classes, 'クラス数') # 4

print(dataset, 'datasetを表示')

print(type(data), '取り出したデータセットの確認')

print(data, '取り出したデータセットの確認これで具体的なモノが見えているようだ')

data.y_onehot = F.one_hot(data.y, num_classes=4).float()

check_graph(data)

# ノード数34, エッジ数156, 孤立無し、自己ループ無し

# クラス数4

ここで抽出した変数「data」にネットワーク構造が格納されている。

code:text

34 ノード数

34 ノードの特徴量数

156 エッジ数

このことから、生成されるNNは、

1層目

GCNConv(dataset.num_node_features, hidden_size)

num_node_features : 34 ... おそらく'x'の横の長さ

hidden_size : インスタンス生成時に与えたハイパーパラメータ、ここでは「5」

2層目

GCNConv(hidden_size, dataset.num_classes)

hidden_size : 入力層から「5」

num_classes : クラスの数「4」、data.yに格納されている値からこのデータセットは4クラス分類用である。

Networkxを用いた可視化

code:python

nxg = to_networkx(data)

pr = nx.pagerank(nxg)

pr_max = np.array(list(pr.values())).max()

draw_pos = nx.spring_layout(nxg, seed=0)

cmap = plt.get_cmap('tab10')

labels = data.y.numpy()

nx.draw_networkx_nodes(

nxg,

draw_pos,

node_color = colors,

alpha = 0.5

)

nx.draw_networkx_edges(nxg, draw_pos, arrowstyle='-', alpha=0.2)

nx.draw_networkx_labels(nxg, draw_pos, font_size=10)

plt.title('KarateClub')

plt.show()

ここからmain処理

code:python

model = Net()

optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

epochs = 1000

loss_hist = []

loss_func = torch.nn.MSELoss()

# loss_func = torch.nn.NLLLoss() # 収束するけど、onehotではなくdata.yを要求するのが？

for epoch in range(epochs):

optimizer.zero_grad()

out = model(data) # 同じネットワークを何度も入力し、

loss = loss_func(out, data.y_onehot)

# loss = loss_func(out, data.y)

loss.backward()

optimizer.step()

loss_hist.append(loss.item())

if epochk.count(epoch) != 0:

print('# ', (epoch*100 // epochs) + 10, '%', end=' ')

print('Epoch %d, Loss %.4f ' % (epoch, loss.item()))

plt.plot(loss_hist)

パラメータを確認

code:python

params = list(model.parameters())

print(len(params))

for param in params:

print(type(param), param.shape)

結果は

code:text