PyTorch 图神经网络训练代码：结合分类损失和无监督损失

这段代码使用PyTorch实现了一个图神经网络模型的训练过程，它结合了分类损失和无监督损失，并使用了early stopping机制来防止过拟合。

for epoch in range(args.epochs):
    t = time.time()

    #   for train
    model.train()
    optimizer.zero_grad()

    output = model(features, adjtensor)

    # 平均输出
    areout = output[1]

    loss_xy = 0
    loss_ncl = 0

    for k in range(len(output[0])):
        # print('k = '+str(k))
        # print(F.nll_loss(output[0][k][idx_train], labels[idx_train]))
        # print(F.mse_loss(output[0][k][idx_unlabel], areout[idx_unlabel]))
        loss_xy += F.nll_loss(output[0][k][idx_train], labels[idx_train])
        loss_ncl += F.mse_loss(output[0][k][idx_unlabel], areout[idx_unlabel])


    loss_train = (1-args.lamd)* loss_xy - args.lamd * loss_ncl
    # loss_train = (1 - args.lamd) * loss_xy + args.lamd * 1 / loss_ncl



    # loss_train = (1 - args.lamd) * loss_xy + args.lamd * (torch.exp(-loss_ncl))


    print(loss_xy)
    print(loss_ncl)

    print(torch.exp(-loss_ncl))

    print((1 - args.lamd) * loss_xy)
    print(args.lamd * (torch.exp(-loss_ncl)))



    print(epoch)
    print(loss_train)
    print('.............')
    acc_train = accuracy(areout[idx_train], labels[idx_train])

    loss_train.backward()
    optimizer.step()

    #   for val
    if validate:
        # print('no')
        model.eval()
        output = model(features, adjtensor)
        areout = output[1]
        vl_step = len(idx_val)
        loss_val = F.nll_loss(areout[idx_val], labels[idx_val])
        acc_val = accuracy(areout[idx_val], labels[idx_val])
        # vl_step = len(idx_train)
        # loss_val = F.nll_loss(areout[idx_train], labels[idx_train])
        # acc_val = accuracy(areout[idx_train], labels[idx_train])

        cost_val.append(loss_val)

        # 原始GCN的验证
        # if epoch > args.early_stopping and cost_val[-1] > torch.mean(torch.stack(cost_val[-(args.early_stopping + 1):-1])):
        #     # print('Early stopping...')
        #     print(epoch)
        #     break
        # print(epoch)
        # GAT的验证
        if acc_val/vl_step >= vacc_mx or loss_val/vl_step <= vlss_mn:
            if acc_val/vl_step >= vacc_mx and loss_val/vl_step <= vlss_mn:
                vacc_early_model = acc_val/vl_step
                vlss_early_model = loss_val/vl_step
                torch.save(model, checkpt_file)

            vacc_mx = np.max((vacc_early_model, vacc_mx))
            vlss_mn = np.min((vlss_early_model, vlss_mn))
            curr_step = 0

        else:
            curr_step += 1

            # print(curr_step)
            if curr_step == args.early_stopping:
                # print('Early stop! Min loss: ', vlss_mn, ', Max accuracy: ', vacc_mx)
                # print('Early stop model validation loss: ', vlss_early_model, ', accuracy: ', vacc_early_model)
                break

代码解释：

训练过程：代码使用for循环迭代训练多个epoch。
模型训练：在每个epoch内，使用model.train()将模型设置为训练模式，并使用optimizer.zero_grad()将优化器的梯度清零。
模型预测：使用model(features, adjtensor)对图数据进行预测，得到模型的输出output。
损失计算：代码使用分类损失loss_xy和无监督损失loss_ncl来衡量模型的性能。loss_xy用于衡量模型在已标记节点上的分类性能，loss_ncl用于约束模型在未标记节点上的输出与已标记节点上的输出的一致性。
总损失：使用loss_train = (1-args.lamd)* loss_xy - args.lamd * loss_ncl计算总损失，其中args.lamd控制分类损失和无监督损失在总损失中的权重。
反向传播：使用loss_train.backward()计算损失函数对模型参数的梯度，并使用optimizer.step()更新模型参数。
模型验证：代码使用model.eval()将模型设置为评估模式，并使用F.nll_loss()计算验证集上的损失。
Early Stopping：代码使用early stopping机制来防止过拟合，即当验证集上的损失不再下降时，停止训练。

核心代码：

loss_train = (1-args.lamd)* loss_xy - args.lamd * loss_ncl

这段代码是用来计算训练损失的，其中loss_xy是分类损失，loss_ncl是无监督损失，args.lamd是控制两种损失权重的参数。通过调节args.lamd的值，可以控制分类损失和无监督损失在总损失中的权重，以达到更好的训练效果。

总结：

这段代码展示了如何使用PyTorch训练一个图神经网络模型，并结合了分类损失和无监督损失，以及early stopping机制来防止过拟合。这种方法可以有效地提高模型的性能，尤其是在数据量有限或存在大量未标记数据的情况下。