图神经网络回归答案

【问题标题】：Graph Neural Network Regression图神经网络回归
【发布时间】：2021-09-13 01:29:47
【问题描述】：

我正在尝试在图神经网络上实现回归。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。我看到一个分类如下：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)

我正在尝试为我的任务修改它，这基本上包括在具有 30 个节点的网络上执行回归，每个节点有 3 个特征，边缘有一个特征。

如果有人能指点我做同样事情的例子，那将非常有帮助。

【问题讨论】：

标签： python graph neural-network pytorch

【解决方案1】：

添加一个线性层，别忘了使用回归损失函数

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

【讨论】：