gcn分类代码

### 关于GCN（图卷积网络）用于分类任务的代码实现 以下是基于 TensorFlow 2.0 的 GCN 实现，适用于节点分类任务。此代码展示了如何构建一个简单的两层 GCN 并训练它来解决半监督学习中的节点分类问题。 #### 数据准备 为了简化说明，假设输入是一个邻接矩阵 \( A \) 和对应的特征矩阵 \( X \)，以及部分标签作为训练集。这些可以通过 `scipy.sparse` 或其他工具加载并转换为张量形式。 ```python import tensorflow as tf from tensorflow.keras import layers, Model import numpy as np class GraphConvolution(layers.Layer): """Basic graph convolution layer.""" def __init__(self, units, activation=None, **kwargs): super(GraphConvolution, self).__init__(**kwargs) self.units = units self.activation = tf.keras.activations.get(activation) def build(self, input_shape): # 初始化权重 W self.weight = self.add_weight(shape=(input_shape[-1], self.units), initializer='glorot_uniform', trainable=True) def call(self, inputs, adjacency_matrix): support = tf.matmul(inputs, self.weight) output = tf.sparse.sparse_dense_matmul(adjacency_matrix, support) if self.activation is not None: output = self.activation(output) return output def normalize_adjacency(A): """Symmetric normalization of the adjacency matrix""" D_inv_sqrt = tf.linalg.diag(tf.pow(tf.reduce_sum(A, axis=1), -0.5)) normalized_A = tf.matmul(D_inv_sqrt, tf.matmul(A, D_inv_sqrt)) return normalized_A # 构建模型 class GCN(Model): def __init__(self, hidden_units, num_classes, dropout_rate=0.5, **kwargs): super(GCN, self).__init__(**kwargs) self.gc_layer_1 = GraphConvolution(hidden_units, activation="relu") self.dropout_layer = layers.Dropout(dropout_rate) self.gc_layer_2 = GraphConvolution(num_classes, activation="softmax") def call(self, features, adj_normalized, training=False): h = self.gc_layer_1(features, adj_normalized) h = self.dropout_layer(h, training=training) outputs = self.gc_layer_2(h, adj_normalized) return outputs # 假设的数据初始化 num_nodes = 2708 # 节点数量 (Cora数据集中有2708个文档) feature_dim = 1433 # 特征维度 (Cora数据集中每个文档由1433维词向量表示) hidden_units = 16 # 隐藏单元数 num_classes = 7 # 类别数目 (Cora数据集中有7种类别) features = tf.random.normal((num_nodes, feature_dim)) # 输入特征矩阵 adj_sparse = tf.SparseTensor(indices=[[i, j] for i in range(num_nodes) for j in range(i + 1, min(i + 10, num_nodes))], values=[float(np.random.rand() < 0.5) for _ in range(sum([min(9, num_nodes-i-1) for i in range(num_nodes)])], dense_shape=(num_nodes, num_nodes)) normalized_adj = normalize_adjacency(tf.sparse.to_dense(adj_sparse)) # 归一化后的邻接矩阵 model = GCN(hidden_units=hidden_units, num_classes=num_classes) outputs = model(features, normalized_adj, training=True) print(outputs.shape) # 输出形状应为 (num_nodes, num_classes) ``` 上述代码实现了两个核心功能： 1. 定义了一个基本的图卷积操作 `GraphConvolution`，其中包含了权重矩阵乘法和消息传递机制[^1]。 2. 使用了两次图卷积操作分别提取低级特征和高级类别分布[^2]。 #### 训练流程 对于实际应用中的训练过程，通常会定义损失函数（如交叉熵），并通过优化器最小化该损失： ```python loss_fn = tf.keras.losses.CategoricalCrossentropy() optimizer = tf.keras.optimizers.Adam() with tf.GradientTape() as tape: predictions = model(features, normalized_adj, training=True) loss_value = loss_fn(labels_train_one_hot, predictions[train_mask]) grads = tape.gradient(loss_value, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) ``` 这里需要注意的是，在真实场景下还需要处理掩码 (`train_mask`) 来区分哪些样本参与训练、验证或测试阶段。 ---