GCN完全に理解してる途中

出席率

• 3年セミナー：??%

スケジュール

短期的な予定

• 9/3 GCN 完全に理解する
• 9/24 ST-GCN完全に理解して実装する

長期的な予定

進捗報告

動作推定ST-GCN意味わからんメモ#GCN 練習問題

[WIP] nn.Conv2d を使って実装する

データセットを読み込む

1# データセットを読み込む
2dataset = Planetoid(root="./Cora", name="Cora")
3# グラフ構造の数
4print(len(dataset)) # -> 1
5# クラス数
6print(dataset.num_classes) # -> 7
7# 徴量の次元数(1433種類の特定のワードが論文中に含まれているか. 0:ない,1:ある)
8print(dataset.num_node_features) # -> 1433
9# ノード数
10print(dataset[0].num_nodes) # -> 2708

必要なデータを定義する

1# ノードの数
2num_nodes = dataset[0].num_nodes
3# 特徴量の次元数
4in_channels = dataset.num_node_features
5#
6out_channels = dataset.num_classes
7# 特徴量行列 (迷走中)
8# X = rearrange(dataset[0].x, "V C -> C 1 V")
9# X = dataset[0].x
10X = rearrange(dataset[0].x, "V C -> V 1 C")
11# ラベル
12y = dataset[0].y
13# 隣接行列
14A = create_adjacency_matrix(dataset[0].edge_index, num_nodes)
15# 次数行列
16D = create_degree_matrix(A)
17
18# DAD行列
19DAD = D @ A @ D
20
21def create_adjacency_matrix(edge_index, num_nodes):
22    adjacency_matrix = torch.zeros((num_nodes, num_nodes), dtype=torch.float32)
23
24    for i in range(edge_index.size(1)):
25        source = edge_index[0, i]
26        target = edge_index[1, i]
27        adjacency_matrix[source, target] = 1
28
29    return adjacency_matrix
30
31
32def create_degree_matrix(adjacency_matrix):
33    # 各行の要素の合計を計算し、それを逆数にする
34    degree_vector = torch.sum(adjacency_matrix, dim=1)
35    # 逆数を計算し、ゼロ除算を防ぐためにepsを加算
36    inv_degree_vector = 1.0 / (degree_vector + torch.finfo(torch.float32).eps)
37    # 対角行列として設定
38    degree_matrix = torch.diag(inv_degree_vector)
39
40    return degree_matrix

モデルの定義 (まだコピペ状態)

1# モデルの定義
2model = GraphConv(in_channels, out_channels)
3
4class GraphConv(nn.Module):
5    def __init__(self, in_features, out_features):
6        super(GraphConv, self).__init__()
7        self.in_features = in_features
8        self.out_features = out_features
9        self.conv = nn.Conv2d(in_features, out_features, kernel_size=1)
10
11    def forward(self, input, adj):
12        """
13        Args:
14            input (Tensor): graph feature
15                            input.size() = (N, V, C)
16            adj (Tensor): normalized adjacency matrix.
17                          e.g. DAD or DA
18                          input.size() = (V, V)
19        Returns:
20            Tensor: out.size() = (N, V, C_out)
21        """
22        input = rearrange(input, "N V C -> N C 1 V")
23        XW = self.conv(input)
24        DADXW = torch.einsum("NCTV,VW->NCTW", XW, adj)
25        DADXW = rearrange(DADXW, "N C 1 V -> N V C")
26        return DADXW

描画する

1# 結果の図示
2fig, ax = plt.subplots(1, 2, width_ratios=[4, 8])
3ax[0].pcolor(X[0], cmap=plt.cm.Blues)
4ax[0].set_aspect('equal', 'box')
5ax[0].set_title('X', fontsize=10)
6ax[0].invert_yaxis()
7
8ax[1].pcolor(new_X[0], cmap=plt.cm.Blues)
9ax[1].set_aspect('equal', 'box')
10ax[1].set_title('new_X', fontsize=10)
11ax[1].invert_yaxis()

おかしい

理想

1dataset[0].x.shape # -> torch.Size([2708, 1433])

正しい場合

1X.shape # -> (10, 5, 4)

(バッチ数, ノード数, 特徴量の次元数)

進路関係

余談

アニタッチに行った

名古屋港水族館に行った

雀魂始めました