全文链接:https://tecdat.cn/?p=38570
本文主要探讨了如何利用图卷积网络(GCN)对图中的节点进行分类。介绍了相关的数据处理、模型构建、训练及测试等环节,通过对分子数据集的操作实践,展示了完整的节点分类流程,并对模型的效果进行了多方面评估,旨在为相关领域的研究与应用提供参考**(** 点击文末"阅读原文"获取完整代码数据******** )。
图卷积网络(GCN)是卷积神经网络的一种变体,在处理图结构数据的节点分类任务中有着重要应用。例如在化学领域,给定分子结构(以图表示化学键),可以利用GCN预测分子中原子的类型(如碳、氧等)。本文以数据集为例,详细阐述基于GCN的节点分类实现过程。
数据准备
(一)数据集下载与加载
首先从指定网址下载数据集,该数据集包含碳、氢、氮、氧和硫这五种不同的原子。通过以下代码实现下载与初步处理:
go
if ~exist(data_file,"file"):
mkdir(output_folder)
加载下载好的MAT文件中的数据,其包含多个不同的数组,本文主要使用代表库仑矩阵的X
数组和代表每个原子原子序数的Z
数组,代码如下:
go
data = load(data_file)
(二)图数据预处理
从加载的数据结构中提取库仑数据和原子序数,并进行相应变换。
为了将训练数据中的库仑矩阵转换为邻接矩阵。之后对部分数据进行可视化展示,查看分子的相关情况,像提取未填充的邻接矩阵、将原子序数转换为符号并绘图等,代码如下:
go
nexttile
plot(G,NodeLabel=symbols,Layout="force")

点击标题查阅往期内容

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)

左右滑动查看更多

01

02

03

04

利用直方图可视化各标签类别的频率,代码如下:
go
figure
histogram(categorical(atomicSymbol(atom_data)))

对数据进行划分,分为训练集、验证集和测试集,分别包含80%、10%和10%的数据。
模型构建
(一)深度学习模型定义
定义的深度学习模型输入为邻接矩阵A
和特征矩阵X
,输出分类预测结果。模型是一系列形如 Zl+1=σl(D^−1/2A^D^−1/2ZlWl)+Zl的操作组合,其中涉及激活函数、权重矩阵等不同元素。
(二)模型参数初始化
创建结构来存放模型参数,并利用函数(本文附属文件)初始化各乘法操作的可学习权重:
go
parameters = struct()
num\_hidden\_feature_maps = 32
(三)模型相关函数定义
创建函数,其输入模型参数、特征数据和邻接矩阵,返回预测结果;输入模型参数、特征数据、邻接矩阵以及独热编码目标,返回损失、损失相对于参数的梯度和网络预测;另外还有函数,它们各自在模型的训练、预测等环节发挥重要作用。
模型训练
设定训练轮数为1500轮,学习率为0.01,每300轮验证一次网络。初始化Adam相关参数,将训练和验证特征数据转换为特定对象格式,若有可用GPU则将数据转换到GPU上进行训练,同时将训练和验证标签转换为独热编码向量,并初始化训练进度监测对象。然后利用自定义训练循环训练模型,在每一轮中进行模型损失和梯度评估、更新网络参数、更新训练绘图以及按要求验证网络等操作:
go
num_epochs = 1500
learn_rate = 0.01
validation_frequency = 300
trailing_avg = \[\]
trailing\_avg\_sq = \[\]

模型测试与预测
(一)模型测试
使用测试数据对模型进行测试,先按照训练和验证数据的处理步骤预处理测试数据,将测试特征数据转换为相应对象格式,利用模型进行预测并将概率转换为分类标签,最后计算准确率,还通过混淆矩阵等方式可视化模型的预测情况,评估模型基于类别精度和召回率等指标的表现。
计算混淆矩阵:
go
figure
cm = confusionchart(labels\_test,Y\_test,

(二)新数据预测
利用函数对未标记数据进行预测,选择测试数据的前几个观测值简单示例,可视化预测结果,将预测结果作为节点标签绘制分子的图表示:
go
num\_observations\_new = 4
adjacency\_data\_new = adjacency\_data\_test\[:,:,1:num\_observations\_new\]

总结
本文通过对数据集完整的处理、基于图卷积网络的模型构建、训练及测试等流程展示,呈现了图中节点分类任务的实现过程及相关方法应用。结果表明模型在该任务中有一定的准确率等表现,后续可进一步探索优化模型结构、改进数据处理方式等方面,以提升模型在节点分类任务中的性能,更好地应用于如化学分子结构分析等诸多领域。
参考文献
1\] Kipf, Thomas N., and Max Welling. "Semi-Supervised Classification with Graph Convolutional Networks." Paper presented at ICLR 2017, Toulon, France, April 2017. \[2\] Blum, Lorenz C., and Jean-Louis Reymond. "970 Million Druglike Small Molecules for Virtual Screening in the Chemical Universe Database GDB-13." Journal of the American Chemical Society 131, no. 25 (July 1, 2009): 8732--33. https://doi.org/10.1021/ja902302h. \[3\] Rupp, Matthias, Alexandre Tkatchenko, Klaus-Robert Müller, and O. Anatole von Lilienfeld. "Fast and Accurate Modeling of Molecular Atomization Energies with Machine Learning." Physical Review Letters 108, no. 5 (January 31, 2012): 058301. https://doi.org/10.1103/PhysRevLett.108.058301.  ##### 本文中**分析的**数据、代码**** 分享到**会员群**,扫描下面二维码即可加群!  *** ** * ** *** **资料获取** 在公众号后台回复"**领资料**",可免费获取数据分析、机器学习、深度学习等学习资料。  点击文末**"阅读原文"** 获取全文完整代码数据资料。 本文选自《MATLAB图卷积网络GCN处理分子数据集节点分类研究》。 **点击标题查阅往期内容** [PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估\|数据分享]() [R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类:训练与结果评估可视化]() [R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)]() [MATLAB中用BP神经网络预测人体脂肪百分比数据]() [Python中用PyTorch机器学习神经网络分类预测银行客户流失模型]() [R语言实现CNN(卷积神经网络)模型进行回归数据分析]() [SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型]() [【视频】R语言实现CNN(卷积神经网络)模型进行回归数据分析]() [Python使用神经网络进行简单文本分类]() [R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析]() [R语言基于递归神经网络RNN的温度时间序列预测]() [R语言神经网络模型预测车辆数量时间序列]() [R语言中的BP神经网络模型分析学生成绩]() [matlab使用长短期记忆(LSTM)神经网络对序列数据进行分类]() [R语言实现拟合神经网络预测和结果可视化]() [用R语言实现神经网络预测股票实例]() [使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测]() [python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译]() [用于NLP的Python:使用Keras的多标签文本LSTM神经网络分类]()     