位置: IT常识 - 正文
Pytorch实现MLP(基于PyTorch实现)(pytorch m1)
编辑：rootadmin推荐整理分享Pytorch实现MLP(基于PyTorch实现)(pytorch m1)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:pytorch maml,pytorch mkldnn,mpi pytorch,pytorch mlp,mpi pytorch,pytorch mlp,mpi pytorch,pytorch maml,内容如对您有帮助，希望把文章链接给更多的朋友！
大家好，我是阿光。
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
正在更新中~ ✨
🚨 我的项目环境：
平台：Windows10语言环境：python3.7编译器：PyCharmPyTorch版本：1.11.0PyG版本：2.1.0💥 项目专栏：【图神经网络代码实战目录】
本文我们将使用PyTorch来简易实现一个MLP网络，不使用PyG库，让新手可以理解如何PyTorch来搭建一个简易的图网络实例demo。
一、导入相关库本项目是采用自己实现的MLP，并没有使用 PyG 库，原因是为了帮助新手朋友们能够对MLP的原理有个更深刻的理解，如果熟悉之后可以尝试使用PyG库直接调用 MLP 这个图层即可。
import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch_geometric.utils import scatterfrom torch_geometric.datasets import Planetoidimport torch_geometric.nn as pyg_nn二、加载Cora数据集本文使用的数据集是比较经典的Cora数据集，它是一个根据科学论文之间相互引用关系而构建的Graph数据集合，论文分为7类，共2708篇。
Genetic_AlgorithmsNeural_NetworksProbabilistic_MethodsReinforcement_LearningRule_LearningTheory这个数据集是一个用于图节点分类的任务，数据集中只有一张图，这张图中含有2708个节点，10556条边，每个节点的特征维度为1433。
# 1.加载Cora数据集dataset = Planetoid(root='./data/Cora', name='Cora')三、定义MLP网络3.1 定义MLP层这里我们就不重点介绍MLP网络了，相信大家能够掌握基本原理，本文我们使用的是PyTorch定义网络层。
对于MLP的常用参数：
in_channels：每个样本的输入维度，就是每个节点的特征维度out_channels：经过注意力机制后映射成的新的维度，就是经过GAT后每个节点的维度长度bias：训练一个偏置b我们在实现时也是考虑这几个常见参数，对于PyG的内置MLP层的参数可能有点复杂，它可以传入一个列表进行多层特征映射，这里为了简单就是实现一个最基本的单层MLP
对于MLP的传播公式为： H′=HW+bH'=HW+bH′=HW+b
上式子中的 HHH 代表每个层的输入特征，也就是每个节点的特征矩阵，如果是第一层，则 H=XH_0=XH0=X，对于 WWW 代表每个 MLP 层的可学习参数，bbb 代表偏置参数。
所以我们的任务无非就是获取这几个变量，然后进行传播计算即可
3.1.1 定义参数 WWW 和 bbb这里为了方便实现，直接利用了 Linear() 函数，如果可以的话可以利用最原始的方法使用 w = nn.Parameter(torch.randn(in_channels, out_channels)) 这种方式来定义参数 WWW
# 线性层self.linear = pyg_nn.dense.linear.Linear(in_channels, out_channels, weight_initializer='glorot', , bias=False)# 偏置if bias: self.bias = nn.Parameter(torch.Tensor(out_channels, 1)) self.bias = pyg_nn.inits.glorot(self.bias)else: self.register_parameter('bias', None)3.1.2 定义传播函数对于MLP来说，就是一个简单的特征映射，实现一个简单的矩阵乘法而已，所以实现起来较为容易，直接调用定义好的线性层即可，最终加上偏置。
def forward(self, x):# 1.特征映射out = self.linear(x)# 2.添加偏置if self.bias != None: out += self.biasreturn out3.1.3 MLP层接下来就可以定义MLP层了，该层实现了1个函数，分别是forward()
forward()：这个函数定义模型的传播过程，也就是上面公式的 HWHWHW，如果设置了偏置在加上偏置返回即可# 2.定义MLP层class MLP(nn.Module): def __init__(self, in_channels, out_channels, bias=True): super(MLP, self).__init__() self.in_channels = in_channels # 输入图节点的特征数 self.out_channels = out_channels # 输出图节点的特征数 # 线性层 self.linear = pyg_nn.dense.linear.Linear(in_channels, out_channels, weight_initializer='glorot', bias=False) # 偏置 if bias: self.bias = nn.Parameter(torch.Tensor(out_channels, 1)) self.bias = pyg_nn.inits.glorot(self.bias) else: self.register_parameter('bias', None) def forward(self, x): # 1.特征映射 out = self.linear(x) # 2.添加偏置 if self.bias != None: out += self.bias return out对于我们实现这个网络的实现效率上来讲比PyG框架内置的 MLP 层稍差一点，因为我们是按照公式来一步一步利用矩阵计算得到，没有对矩阵计算以及算法进行优化，不然初学者可能看不太懂，不利于理解MLP公式的传播过程，有能力的小伙伴可以看下官方源码学习一下。
3.2 定义MLP网络上面我们已经实现好了 MLP 的网络层，之后就可以调用这个层来搭建 MLP 网络。
# 3.定义MLP网络class Model(nn.Module): def __init__(self, num_node_features, num_classes): super(Model, self).__init__() self.lin_1 = MLP(num_node_features, 16) self.lin_2 = MLP(16, num_classes) def forward(self, data): x = data.x x = self.lin_1(x) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.lin_2(x) return F.log_softmax(x, dim=1)上面网络我们定义了两个 MLP 层，第一层的参数的输入维度就是初始每个节点的特征维度，输出维度是16。
第二个层的输入维度为16，输出维度为分类个数，因为我们需要对每个节点进行分类，最终加上softmax操作。
四、定义模型下面就是定义了一些模型需要的参数，像学习率、迭代次数这些超参数，然后是模型的定义以及优化器及损失函数的定义，和pytorch定义网络是一样的。
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 设备epochs = 10 # 学习轮数lr = 0.003 # 学习率num_node_features = dataset.num_node_features # 每个节点的特征数num_classes = dataset.num_classes # 每个节点的类别数data = dataset[0].to(device) # Cora的一张图# 3.定义模型model = Model(num_node_features, num_classes).to(device)optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 优化器loss_function = nn.NLLLoss() # 损失函数五、模型训练模型训练部分也是和pytorch定义网络一样，因为都是需要经过前向传播、反向传播这些过程，对于损失、精度这些指标可以自己添加。
# 训练模式model.train()for epoch in range(epochs): optimizer.zero_grad() pred = model(data) loss = loss_function(pred[data.train_mask], data.y[data.train_mask]) # 损失 correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() # epoch正确分类数目 acc_train = correct_count_train / data.train_mask.sum().item() # epoch训练精度 loss.backward() optimizer.step() if epoch % 20 == 0: print("【EPOCH: 】%s" % str(epoch + 1)) print('训练损失为：{:.4f}'.format(loss.item()), '训练精度为：{:.4f}'.format(acc_train))print('【Finished Training！】')六、模型验证下面就是模型验证阶段，在训练时我们是只使用了训练集，测试的时候我们使用的是测试集，注意这和传统网络测试不太一样，在图像分类一些经典任务中，我们是把数据集分成了两份，分别是训练集、测试集，但是在Cora这个数据集中并没有这样，它区分训练集还是测试集使用的是掩码机制，就是定义了一个和节点长度相同纬度的数组，该数组的每个位置为True或者False，标记着是否使用该节点的数据进行训练。
# 模型验证model.eval()pred = model(data)# 训练集（使用了掩码）correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item()acc_train = correct_count_train / data.train_mask.sum().item()loss_train = loss_function(pred[data.train_mask], data.y[data.train_mask]).item()# 测试集correct_count_test = pred.argmax(axis=1)[data.test_mask].eq(data.y[data.test_mask]).sum().item()acc_test = correct_count_test / data.test_mask.sum().item()loss_test = loss_function(pred[data.test_mask], data.y[data.test_mask]).item()print('Train Accuracy: {:.4f}'.format(acc_train), 'Train Loss: {:.4f}'.format(loss_train))print('Test Accuracy: {:.4f}'.format(acc_test), 'Test Loss: {:.4f}'.format(loss_test))七、结果【EPOCH: 】1训练损失为：1.9460 训练精度为：0.2071【EPOCH: 】21训练损失为：1.8583 训练精度为：0.2714【EPOCH: 】41训练损失为：1.7751 训练精度为：0.3643【EPOCH: 】61训练损失为：1.7049 训练精度为：0.4357【EPOCH: 】81训练损失为：1.5710 训练精度为：0.5929【EPOCH: 】101训练损失为：1.4686 训练精度为：0.6214【EPOCH: 】121训练损失为：1.3101 训练精度为：0.7286【EPOCH: 】141训练损失为：1.2317 训练精度为：0.7143【EPOCH: 】161训练损失为：1.2142 训练精度为：0.7571【EPOCH: 】181训练损失为：1.0434 训练精度为：0.8214【Finished Training！】>>>Train Accuracy: 0.9929 Train Loss: 0.8560>>>Test Accuracy: 0.3910 Test Loss: 1.7350训练集测试集Accuracy0.99290.3910Loss0.85601.7350完整代码import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch_geometric.utils import scatterfrom torch_geometric.datasets import Planetoidimport torch_geometric.nn as pyg_nn# 1.加载Cora数据集dataset = Planetoid(root='../data/Cora', name='Cora')# 2.定义MLP层class MLP(nn.Module): def __init__(self, in_channels, out_channels, bias=True): super(MLP, self).__init__() self.in_channels = in_channels # 输入图节点的特征数 self.out_channels = out_channels # 输出图节点的特征数 # 线性层 self.linear = pyg_nn.dense.linear.Linear(in_channels, out_channels, weight_initializer='glorot', bias=False) # 偏置 if bias: self.bias = nn.Parameter(torch.Tensor(out_channels, 1)) self.bias = pyg_nn.inits.glorot(self.bias) else: self.register_parameter('bias', None) def forward(self, x): # 1.特征映射 out = self.linear(x) # 2.添加偏置 if self.bias != None: out += self.bias return out# 3.定义MLP网络class Model(nn.Module): def __init__(self, num_node_features, num_classes): super(Model, self).__init__() self.lin_1 = MLP(num_node_features, 16) self.lin_2 = MLP(16, num_classes) def forward(self, data): x = data.x x = self.lin_1(x) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.lin_2(x) return F.log_softmax(x, dim=1)device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 设备epochs = 200 # 学习轮数lr = 0.0003 # 学习率num_node_features = dataset.num_node_features # 每个节点的特征数num_classes = dataset.num_classes # 每个节点的类别数data = dataset[0].to(device) # Cora的一张图# 4.定义模型model = Model(num_node_features, num_classes).to(device)optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 优化器loss_function = nn.NLLLoss() # 损失函数# 训练模式model.train()for epoch in range(epochs): optimizer.zero_grad() pred = model(data) loss = loss_function(pred[data.train_mask], data.y[data.train_mask]) # 损失 correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() # epoch正确分类数目 acc_train = correct_count_train / data.train_mask.sum().item() # epoch训练精度 loss.backward() optimizer.step() if epoch % 20 == 0: print("【EPOCH: 】%s" % str(epoch + 1)) print('训练损失为：{:.4f}'.format(loss.item()), '训练精度为：{:.4f}'.format(acc_train))print('【Finished Training！】')# 模型验证model.eval()pred = model(data)# 训练集（使用了掩码）correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item()acc_train = correct_count_train / data.train_mask.sum().item()loss_train = loss_function(pred[data.train_mask], data.y[data.train_mask]).item()# 测试集correct_count_test = pred.argmax(axis=1)[data.test_mask].eq(data.y[data.test_mask]).sum().item()acc_test = correct_count_test / data.test_mask.sum().item()loss_test = loss_function(pred[data.test_mask], data.y[data.test_mask]).item()print('Train Accuracy: {:.4f}'.format(acc_train), 'Train Loss: {:.4f}'.format(loss_train))print('Test Accuracy: {:.4f}'.format(acc_test), 'Test Loss: {:.4f}'.format(loss_test))上一篇：【ChatGPT】中国支付清算协会倡议支付行业从业人员谨慎使用ChatGPT(ChatGPT中国电话不能注册)
下一篇：若依框架前端Vue项目分析实战(若依框架前端发请求)
