0

这篇文章是从上一篇文章开始的（我将在下面的代码中使用相同的示例）。我已阅读有关这些错误的其他帖子，但我认为这些解决方法对我没有帮助。

目标：实现一个节点分类任务（类似于Cora，但应用不同）

问题：如何解决我遇到的这些错误？

  1. 'IndexError：用作索引的张量必须是长、字节或布尔张量'（在我的主代码中得到这个）
  2. 'RuntimeError: expected scalar type Long but found Float'（当我试图以公共友好的形式重现代码时，在我的代码中得到这个，以及上面的错误）

上下文：这是下面的代码：（在 Google Colab 中使用）

对于下面的示例，我将尝试对节点的类别进行分类，每个节点将有一个长度为 5 的特征向量（现在刚刚完全弥补）。我将使用邻接矩阵：

A = [(0, 1, 0, 1, 1), (1, 0, 1, 1, 0), (0, 1, 0, 0, 1), (1, 1, 0, 0, 0) , (1, 0, 1, 0, 0)]

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx
%matplotlib inline

import torch
from torch.nn import Linear
import torch.nn.functional as F
torch.__version__

import sklearn
from sklearn import preprocessing

# install pytorch geometric
!pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.10.0+cpu.html

from torch_geometric.nn import GCNConv
from torch_geometric.utils.convert import to_networkx, from_networkx

# Make the networkx graph
G = nx.Graph()

# Add some cars (just do 4 for now)
G.add_nodes_from([
      (1, {'y': 0}),
      (2, {'y': 1}),
      (3, {'y': 2}),
      (4, {'y': 3}),
      (5, {'y': 4}),
])

# Add some edges --> A = [(0, 1, 0, 1, 1), (1, 0, 1, 1, 0), (0, 1, 0, 0, 1), (1, 1, 0, 0, 0), (1, 0, 1, 0, 0)]
G.add_edges_from([
                  (1, 2), (1, 4), (1, 5),
                  (2, 3), (2, 4),
                  (3, 2), (3, 5), 
                  (4, 1), (4, 2),
                  (5, 1), (5, 3)
])

# add the price data to the graph as node features
for node in G.nodes():
  G.nodes[node]['x'] = np.random.rand(5) * 5

# Convert the graph into PyTorch geometric
pyg_graph = from_networkx(G)

# Create the train_mask and test_mask

# Split the data 
train_ratio = 0.2
num_nodes = data.x.shape[0]
num_train = int(num_nodes * train_ratio)

print(f'The number of training nodes is: {num_train}\n')

idx = [i for i in range(num_nodes)]

np.random.shuffle(idx)
train_mask = torch.full_like(data.y, False, dtype=bool)
train_mask[idx[:num_train]] = True
test_mask = torch.full_like(data.y, False, dtype=bool)
test_mask[idx[num_train:]] = True

我认为上面的一切都是正确的（我很幸运在后面部分得到了一些帮助）。概括地说，上面的代码：

一个。在中创建图形 (G)networkx

湾。分配品牌（即类别）和特征向量

C。将图形转换为 PyTorch 几何图形

d。为 PyTorch 几何定义 train_mask 和 test_mask

下面的大部分代码来自 Pytorch Geometric Cora 教程代码，只有一点点改变了一两次（例如变量的名称）。但是，这会导致错误，因此急于了解导致错误的原因。

# change the name of the variable to match the name in the online Cora tutorial
data = pyg_graph

from torch_geometric.nn import GCNConv

class GCN(torch.nn.Module):
    def __init__(self, hidden_channels):
        super().__init__()
        torch.manual_seed(1234567)
        self.conv1 = GCNConv(len(data.x[0]), hidden_channels)  # in this case, we set num_features = len(data.x[0])
        self.conv2 = GCNConv(hidden_channels, num_nodes)    # in this case, num_classes = num_nodes

    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)

这是我现在尝试更改变量类型以防止错误的地方。

data.x = data.x.type(LongTensor)
data.y = data.y.type(LongTensor)

现在代码继续：

data.train_mask = train_mask
data.test_mask = test_mask

model = GCN(hidden_channels=16)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
criterion = torch.nn.CrossEntropyLoss()

def train():
      model.train()
      optimizer.zero_grad()  # Clear gradients.
      out = model(data.x, data.edge_index)  # Perform a single forward pass.
      loss = criterion(out[data.train_mask], data.y[data.train_mask])  # Compute the loss solely based on the training nodes.
      loss.backward()  # Derive gradients.
      optimizer.step()  # Update parameters based on gradients.
      return loss

def test():
      model.eval()
      out = model(data.x, data.edge_index)
      pred = out.argmax(dim=1)  # Use the class with highest probability.
      test_correct = pred[data.test_mask] == data.y[data.test_mask]  # Check against ground-truth labels.
      test_acc = int(test_correct.sum()) / int(data.test_mask.sum())  # Derive ratio of correct predictions.
      return test_acc


for epoch in range(1, 101):
    loss = train()
    print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}')\

data.x = data.x.type(LongTensor)如/etc行所示。我已经尝试过这些解决方案，但似乎没有任何效果。此外，由于某种原因，在我的示例笔记本中执行该行时（此帖子的版本），我收到一个错误：NameError: name 'LongTensor' is not defined' 但我将把它放在另一篇文章中好像不能导入torch_C。

任何帮助将不胜感激，并希望每个人都有一个愉快的假期。

4

0 回答 0