PyTorch 图神经网络训练代码解析：半监督学习中的loss_ncl损失函数

这段代码展示了一个基于PyTorch的图神经网络训练过程，其中包含一个名为loss_ncl的损失函数。

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

loss_ncl的作用：

在半监督学习场景中，该代码使用了一种半监督学习的策略，其中 loss_ncl 是一个关键的损失函数。具体而言，loss_ncl 用于计算未标记节点的特征表示与整个图的平均特征表示之间的均方误差损失。这个损失的作用是鼓励未标记节点的特征表示尽可能接近整个图的平均特征表示，从而使得未标记节点的特征表示更具有代表性和稳定性。

loss_ncl的意义：

• 提高模型泛化能力： 通过将未标记节点的特征表示与整个图的平均特征表示对齐，loss_ncl 帮助模型学习到更具一般性的特征表示，从而提高模型在未见过的数据上的泛化能力。
• 提升模型鲁棒性： loss_ncl 可以帮助模型更好地处理数据中的噪声，增强模型对数据分布变化的适应能力，提升模型的鲁棒性。

结论：

loss_ncl 是半监督学习中一个非常有效的技术，它通过鼓励未标记节点的特征表示更接近整个图的平均特征表示，从而提升模型的泛化能力和鲁棒性。该代码中使用 loss_ncl 与标记节点的分类损失进行加权组合，进一步增强了模型的训练效果。