2023.4.14 GNN

code:python

import torch

from torch_geometric.data import Data

# ノード

# エッジ

# ノードの特徴量

# ラベル

data = Data(x=x, y=y, edge_index=edge_index)

import torch.nn.functional as F

from torch_geometric.nn import GCNConv

from torch_geometric.data import Data

from torch_geometric.datasets import KarateClub

# import torch_geometric.transforms as T

from torch_geometric.utils import to_networkx

import networkx as nx

from matplotlib import pyplot as plt

import numpy as np

def check_graph(data):

'''グラフ情報を表示'''

print("グラフ構造:", data)

print("グラフのキー: ", data.keys)

print("ノード数:", data.num_nodes)

print("エッジ数:", data.num_edges)

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

print("孤立したノードの有無:", data.contains_isolated_nodes())

print("自己ループの有無:", data.contains_self_loops())

print("====== ノードの特徴量:x ======")

print("====== ノードのクラス:y ======")

print("========= エッジ形状 =========")

dataset = KarateClub()

print("グラフ数:", len(dataset)) # グラフ数: 1

print("クラス数:",dataset.num_classes) # クラス数: 2

check_graph(data)

class Net(torch.nn.Module):

def __init__(self):

super(Net, self).__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 = F.dropout(x, training=self.training)

x = self.conv2(x, edge_index)

return F.log_softmax(x, dim=1)

# デバイス設定

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# モデルのインスタンス生成

model = Net()

# print(model)

# モデルを訓練モードに設定

model.train()

# デバイス設定

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# モデルのインスタンス生成

model = Net()

# print(model)

# モデルを訓練モードに設定

model.train()

# optimizer

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

# optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# learnig loop

for epoch in range(100):

optimizer.zero_grad()

out = model(data)

loss = F.nll_loss(out, data.y)

loss.backward()

optimizer.step()

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

# モデルを評価モードに設定

model.eval()

# 推論

_, pred = model(data).max(dim=1)

print("結果：", pred)

# モデルを評価モードに設定

model.eval()

# 推論

_, pred = model(data).max(dim=1)

print("結果：", pred)

test_dataset = KarateClub()

# change link of ID:0, ID:2, ID:8, ID:9 and ID:33

t_data = Data(x=x, y=y, edge_index=edge_index)

check_graph(t_data)

_, pred = model(t_data).max(dim=1)

print(" ======== リンク変更前のラベル ======== ")

print(" ==== リンク変更後のラベル予測結果 ==== ")

print(pred)