从0到1实现GCN——最详细的代码实现

首先，我们需要导入所需的库和模块：

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

接下来，我们定义GCN模型：

class GCN(nn.Module):
def __init__(self, num_features, num_classes):
super(GCN, self).__init__()
self.conv1 = GCNConv(num_features, 16)
self.conv2 = GCNConv(16, num_classes)
def forward(self, x, edge_index):
x = F.relu(self.conv1(x, edge_index))
x = self.conv2(x, edge_index)
return F.log_softmax(x, dim=1)

在上面的代码中，我们定义了一个名为GCN的PyTorch模型，它包含两个GCNConv层。在前向传播中，我们首先使用ReLU激活函数对第一层进行非线性变换，然后将结果传递给第二层。最后，我们使用LogSoftmax函数对输出进行归一化处理。
接下来，我们需要定义数据加载器和数据预处理步骤：

# 加载数据集
data = Data.from_csv('dataset.csv', sep=',', format='node_attrs')
# 数据预处理
edge_index = data.edge_index
num_features = data.x.size(1)
num_classes = data.num_classes

在上面的代码中，我们使用Data.from_csv方法从CSV文件中加载数据集。然后，我们将边索引和节点特征提取出来，以便在模型中使用。同时，我们还需要获取节点类别的数量。
现在，我们可以开始训练模型：

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GCN(num_features, num_classes).to(device)
data = data.to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

在上面的代码中，我们将模型和数据都移动到GPU上（如果有可用的话）。然后，我们定义了一个Adam优化器，并设置学习率为0.01。
接下来，我们可以开始训练模型：
```python
for epoch in range(100): # 训练100个epochs
model.train() # 设置模型为训练模式
optimizer.zerograd() # 清零梯度
out = model(data.x, data.edge_index) # 前向传播
loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) # 计算损失函数值
loss.backward() # 反向传播计算梯度值
optimizer.step() # 更新权重参数值
model.eval() # 设置模型为评估模式 , pred = model(data.x, data.edge_index).max(dim=1) # 获取预测结果
correct = int((pred == data.y).sum().item()) # 计算预测正确数
print(‘Epoch: {:03d}, Loss: {:.5f}, Train Accuracy: {:.5f}’.format(epoch, loss.item(), correct / len(data.y))) # 输出训练信息