【AM-GCN】代码解读之主程序

[前篇]：
初了解（一）

---

一、导入库

import torch.nn.functional as F #常用函数
import torch.optim as optim     #优化算法
from utils import *
from models import SFGCN        #主模型
from sklearn.metrics import f1_score #计算F1分数，也称为平衡F分数或F测度
import os
import argparse
from config import Config
import torch
import numpy as np

解释说明：

1. torch.optim
2. f1_score

二、参数读取和设置

if __name__ == "__main__":
    os.environ["CUDA_VISIBLE_DEVICES"] = "2"
    parse = argparse.ArgumentParser()
    parse.add_argument("-d", "--dataset", help="dataset", type=str, required=True)
    parse.add_argument("-l", "--labelrate", help="labeled data for train per class", type = int, required = True)
    args = parse.parse_args()
    config_file = "./config/" + str(args.labelrate) + str(args.dataset) + ".ini"
    config = Config(config_file)

    cuda = not config.no_cuda and torch.cuda.is_available() #cuda可否能用

    use_seed = not config.no_seed # cuda
    if use_seed:
        np.random.seed(config.seed)
        torch.manual_seed(config.seed)
        if cuda:
            torch.cuda.manual_seed(config.seed)

解释说明：

1. os.environ[“CUDA_VISIBLE_DEVICES”] = "2"设置使用的标号为"2"的显卡。
   

   
   

   os.environ[‘环境变量名称’]=‘环境变量值’ ：其中key和value均为string类型

2. argparse 参数配置的方法,可以打开cmd来设置参数的值，具体使用方法见5中链接。
   

   
   

   1）import argparse 首先导入模块
   ​2）parser = argparse.ArgumentParser（） 创建一个解析器
   3）parser.add_argument() 向该解析器中添加你要关注的命令行参数和选项
   4）parser.parse_args() 进行解析

3. config = Config(config_file) 是调用的config.py中的class类函数并实例化。
   

   
   

   其可以读取 'config_file '文件路径中的参数文件并配置参数。
   

   
   

4. 'config_file '文件路径，涉及了 标签率args.labelrate和 数据集args.dataset.通过原文可以知道是

   三个标签率(即每类20、40、60个标签节点)
   六个数据集(见《初了解一》）

5. 区别：import argparse 和 import configparser，↙️具体见链接。
   

   
   

   1. 可以理解为都是参数配置的模块,两者并非不可互相替代。
      

      
      

   2. 显著区别是使用方法不同。
      

      
      

      通俗来讲，
      configparser更像是把参数进行分类归纳整理在一个.ini的文件中，通过读取文件的方式获得文件中的各项参数。
      

      
      

      
      argparse 更像是机器的开关，在开机运作的时候设置各项功能。
      

      
      

6.参数来源以及对照值

对象	读取命令	读取文件	参数值
config.no_cuda	conf.getboolean("Model_Setup", "no_cuda")	20acm	False
config.no_seed	getboolean("Model_Setup", "no_seed")	20acm	False
config.seed	getint("Model_Setup", "seed")	20acm	123

7. 函数解析(具体见超链接)：

np.random.seed()函数:用于生成指定随机数。

torch.manual_seed()函数：CPU生成随机数的种子，方便下次复现实验结果
torch.cuda.manual_seed()函数：固定生成随机数的种子，使得每次运行该 .py 文件时生成的随机数相同

8. cuda–至结束。
   

   
   

   含义为是否使用cuda以及有可用的cuda,如果使用cuda则设置随机数种子123，否则使用cpu设置随机数种子123.

二、数据读取

    sadj, fadj = load_graph(args.labelrate, config)
    features, labels, idx_train, idx_test = load_data(config)

• fadj是特征图矩阵 【3025，3025】–> 在acm中有7282个非零值
• sadj是结构图矩阵 【3025，3025】–>有26256个非零值
• features是特征向量—>(3025, 1870)
• labels是标签向量 —>(3025,1)
• idx_train是训练数据索引 -->(1000,)
• idx_test是测试数据索引 -->(60,)
  以上数据结构以acm数据为例。
  

  
  

  且都是torch中的结构。
  

  
  

三、模型准备

1. 模型实例化
2. 如果cuda可用，将数据放置到cuda上。
   

   
   

   model = SFGCN(nfeat = config.fdim,
              nhid1 = config.nhid1,
              nhid2 = config.nhid2,
              nclass = config.class_num,
              n = config.n,
              dropout = config.dropout)
    if cuda:
        model.cuda()
        features = features.cuda()
        sadj = sadj.cuda()
        fadj = fadj.cuda()
        labels = labels.cuda()
        idx_train = idx_train.cuda()
        idx_test = idx_test.cuda()
    optimizer = optim.Adam(model.parameters(), lr=config.lr, weight_decay=config.weight_decay)

四、模型训练

    acc_max = 0
    f1_max = 0
    epoch_max = 0
    for epoch in range(config.epochs):
        loss, acc_test, macro_f1, emb = train(model, epoch)
        if acc_test >= acc_max:
            acc_max = acc_test
            f1_max = macro_f1
            epoch_max = epoch
    print('epoch:{}'.format(epoch_max),
          'acc_max: {:.4f}'.format(acc_max),
          'f1_max: {:.4f}'.format(f1_max))