图神经网络回归

Question

我试图在图神经网络上实现一个回归。我看到的大多数例子都是这个领域的分类，到目前为止还没有回归的例子。我看到了一个用于分类的方法如下:从torch_geometric.nn导入GCNConv

class GCN(torch.nn.Module):
def __init__(self, hidden_channels):
    super(GCN, self).__init__()
    torch.manual_seed(12345)
    self.conv1 = GCNConv(dataset.num_features, hidden_channels)
    self.conv2 = GCNConv(hidden_channels, dataset.num_classes)

def forward(self, x, edge_index):
    x = self.conv1(x, edge_index)
    x = x.relu()
    x = F.dropout(x, p=0.5, training=self.training)
    x = self.conv2(x, edge_index)
    return x

model = GCN(hidden_channels=16)
print(model)

我试图为我的任务修改它，这基本上包括在一个有30个节点的网络上执行一个回归，每个节点都有3个功能，边缘有一个功能。

如果有人能给我举例子来做同样的事情，那将是非常有帮助的。

Answer 1

添加线性层，不要忘记使用回归损失函数

class GCN(torch.nn.Module):
    def __init__(self, hidden_channels):
        super(GCN, self).__init__()
        torch.manual_seed(12345)
        self.conv1 = GCNConv(dataset.num_features, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, dataset.num_classes)
        self.linear1 = torch.nn.Linear(100,1)
    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = x.relu()
        x = F.dropout(x, p=0.5, training=self.training)
        x = self.conv2(x, edge_index)
        x = self.linear1(x)
        return x