不带节点属性的DGL分类图

Question

我按照本指南从我自己的数据中创建用于图形分类的数据集：data.html

在那里，它们不创建任何节点的特性，因为如果要预测图类，就没有必要。在我的例子中，它是相同的，我不想使用任何节点特性(还)来进行分类。

为了训练GNN，我遵循本教程：classification.html#sphx-glr-tutorials-blitz-5-graph-classification-py

两者都来自官方文档，但它们似乎不兼容，因为当我试图将它们一起使用时，我收到了以下错误：

KeyError                                  Traceback (most recent call last) <ipython-input-39-8a94f1fa250d> in <module>
      4 for epoch in range(20):
      5     for batched_graph, labels in train_dataloader:
----> 6         pred = model(batched_graph, batched_graph.ndata['attr'].float())
      7         loss = F.cross_entropy(pred, labels)
      8         optimizer.zero_grad()

~/anaconda3/lib/python3.8/site-packages/dgl/view.py in
__getitem__(self, key)
     64             return ret
     65         else:
---> 66             return self._graph._get_n_repr(self._ntid, self._nodes)[key]
     67 
     68     def __setitem__(self, key, val):

~/anaconda3/lib/python3.8/site-packages/dgl/frame.py in
__getitem__(self, name)
    391             Column data.
    392         """
--> 393         return self._columns[name].data
    394 
    395     def __setitem__(self, name, data):

KeyError: 'attr'

而且，我找不到另一个例子，不使用节点的特性来使用DGl来训练GNN。有可能吗？我必须创建假属性吗？

谢谢!

Answer 1

DGL模型总是需要至少有一个特性。因此，我使用分类器中的度特征来解决这个问题：

class Classifier(nn.Module):
    def __init__(self, in_dim, hidden_dim, n_classes):
        super(Classifier, self).__init__()
        self.conv1 = GraphConv(in_dim, hidden_dim)
        self.conv2 = GraphConv(hidden_dim, hidden_dim)
        self.classify = nn.Linear(hidden_dim, n_classes)

    def forward(self, g):
        # Use node degree as the initial node feature. For undirected graphs, the in-degree
        # is the same as the out_degree.
        h = g.in_degrees().view(-1, 1).float()
        # Perform graph convolution and activation function.
        h = F.relu(self.conv1(g, h))
        h = F.relu(self.conv2(g, h))
        g.ndata['h'] = h
        # Calculate graph representation by averaging all the node representations.
        hg = dgl.mean_nodes(g, 'h')
        return self.classify(hg)

Answer 2

当数据集中的节点特性是任务或它与dataset模块中的定义不同时，我得到了此错误。

epoch_losses = []
for epoch in range(200):
    epoch_loss = 0
    for iter, (bg, label) in enumerate(data_loader):
        prediction = model(bg)
        loss = loss_func(prediction, label)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        epoch_loss += loss.detach().item()
    epoch_loss /= (iter + 1)
    print('Epoch {}, loss {:.4f}'.format(epoch, epoch_loss))
    epoch_losses.append(epoch_loss) # this 

根据下面的教程，我假设您定义了图形节点特性g.ndata['h']而不是batched_graph.ndata['attr'] --特别是属性的命名。

模式训练损失曲线

你可能会觉得这很有帮助

• https://github.com/dmlc/dgl/blob/master/docs/source/guide/training-graph.rst或
• https://github.com/dmlc/dgl/blob/master/docs/source/guide/training.rst