Una serie de notas sobre la red neuronal desde el punto de vista del código.

Prefacio

Toda la serie de notas proviene del video del up master Sifan, el enlace es el siguiente:

https://space.bilibili.com/630192628

El propósito de toda la serie de notas es organizar los puntos de conocimiento obtenidos del video en texto para facilitar el acceso en cualquier momento. Por favor, coopere con el video para comprender algunos lugares donde el texto no es claro. Algunos lugares también han agregado algo de mi comprensión, invitamos a todos a corregir y comunicar

Entorno de desarrollo

1. Instalación de pytorch

El entorno de desarrollo es principalmente de $Elacceso\; a\; losenlacesdirectamentea\; las$ tomas seleccionadas es el siguiente:

Dependiendo del entorno de su computadora, haga clic en las diferentes configuraciones para el comando de instalación. Los portátiles Mac no se pueden instalar sin la tarjeta gráfica de Nvidia. Aunque se pueden instalar, es más complicado de configurar. Windows es la mejor opción.

Agregar un parámetro:

--proxy=http://代理ip:端口

De lo contrario, se tarda mucho en descargar un archivo G

2. Instale bibliotecas relacionadas

https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html

Mi entorno es PyTorch 1.6.0y CUDA 10.2, el comando de instalación es el siguiente:

pip install torch-scatter==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html
pip install torch-sparse==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html
pip install torch-cluster==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html
pip install torch-spline-conv==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html
pip install torch-geometric

Interpretación de ejemplo

1. Clase de datos

PARAMETROS

• x (Tensor, opcional) - Matriz de características de nodo con forma [num_nodes, num_node_features]. (predeterminado: Ninguno) // Matriz de características de nodo con forma

• edge_index (LongTensor, opcional) - Conectividad gráfica en formato COO con forma [2, num_edges]. (predeterminado: Ninguno) // El tensor largo en formato COO representa la matriz de adyacencia

• edge_attr (Tensor, opcional) - Matriz de características de borde con forma [num_edges, num_edge_features]. (predeterminado: Ninguno) // 边 的 属性

• y (Tensor, opcional) - Gráficos o objetivos de nodo con forma arbitraria (predeterminado: Ninguno) // La representación de clasificación del nodo

• pos (Tensor, opcional) - Matriz de posición de nodo con forma [num_nodes, num_dimensions]. (predeterminado: Ninguno) // Matriz de características

• norm (Tensor, opcional) - Matriz de vector normal con forma [num_nodes, num_dimensions]. (predeterminado: ninguno)

• face (LongTensor, opcional) - Matriz de adyacencia de caras con forma [3, num_faces]. (predeterminado: Ninguno) // 邻接 矩阵

PD: Esta pieza de video todavía se siente un poco problemática. Los siguientes parámetros no se explican con mucha claridad. No he encontrado ningún ejemplo por el momento. Por favor, venga y cambie esta nota cuando la use más adelante.

2. Código de ejemplo

import torch
from torch_geometric.data import Data # 首先导入库函数

x = torch.tensor([[2,1],[5,6],[3,7],[12,0]], dtype=torch.float) # 节点值的矩阵 顺序都是按照ABCD排序的

y = torch.tensor([0,1,0,1], dtype=torch.float) # 类型的分类

edge_index = torch.tensor([[0,0,1,1,3],
                          [1,3,0,2,2]], dtype=torch.long) # 邻接矩阵来描述图的信息 COO格式

# edge_attr = [] 这个特征矩阵不需要定义，因为边没有属性

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

Suplemento de ejemplo

Las redes neuronales de Hands-on Graph con PyTorch y PyTorch Geometric
no pueden abrir el texto original ahora. Puedes descargar el archivo pdf en Weibo. Puedes descargarlo. Hay muchas traducciones en China, pero es mejor leer el texto original. Ayuda a entender

链接：https://pan.baidu.com/s/1dMRV7SDchTX6C3vetf3uRw 
提取码：3sfd

El ejemplo de este artículo para la clase de datos es el ejemplo utilizado por up master, por lo que no continuaré traduciéndolo aquí.