python 训练GCN

GCN（Graph Convolutional Network，图卷积网络）是一种用于图数据的深度学习模型，可以用于图分类、节点分类和链接预测等任务。Python中有很多开源的GCN框架可以使用，例如DGL、PyTorch Geometric等，下面简要介绍一下如何使用DGL训练GCN。

首先需要安装DGL库，可以使用pip install dgl命令进行安装。接着，我们需要定义一个GCN模型，例如：

import dgl
import torch
import torch.nn as nn
import torch.nn.functional as F

class GCN(nn.Module):
    def __init__(self, in_feats, hidden_size, num_classes):
        super(GCN, self).__init__()
        self.conv1 = dgl.nn.GraphConv(in_feats, hidden_size)
        self.conv2 = dgl.nn.GraphConv(hidden_size, num_classes)

    def forward(self, g, inputs):
        h = self.conv1(g, inputs)
        h = F.relu(h)
        h = self.conv2(g, h)
        return h

其中in_feats是输入特征的维度，hidden_size是隐藏层特征的维度，num_classes是输出类别的数量。这里使用了两层GraphConvolution层，并使用ReLU作为激活函数。

接着，我们需要定义一个训练函数，例如：

def train(model, g, features, labels, train_mask, optimizer):
    model.train()
    optimizer.zero_grad()
    logits = model(g, features)
    loss = F.cross_entropy(logits[train_mask], labels[train_mask])
    loss.backward()
    optimizer.step()
    return loss.item()

其中g表示图数据，features表示节点特征，labels表示节点标签，train_mask表示训练集的掩码。我们使用交叉熵作为损失函数，并使用优化器进行模型优化。

最后，在训练数据上进行训练，例如：

import dgl.data

# 加载数据集
dataset = dgl.data.CoraGraphDataset()
g = dataset
features = g.ndata['feat']
labels = g.ndata['label']
train_mask = g.ndata['train_mask']

# 创建模型和优化器
model = GCN(in_feats=features.shape, hidden_size=16, num_classes=dataset.num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    loss = train(model, g, features, labels, train_mask, optimizer)
    print('Epoch %d | Loss: %.4f' % (epoch + 1, loss))

这里使用了Cora数据集进行训练，每个节点有1433个特征和7个类别。我们使用Adam优化器进行训练，共进行100轮训练。