基于图片颜色特征的图神经网络模型训练

本项目使用图神经网络模型对42个时刻的37个节点进行分类，每个节点对应一张40x40像素的图片，图片名称格式为'i.png_j.png'，其中'i'表示时刻，'j'表示节点序号。提取图片的颜色特征作为输入，并使用GCN模型进行训练和验证。

数据描述:

共有42个时刻的图数据。
每个时刻有37张图片，每张图片代表1个节点。
所有图片都是40x40大小。
图片存储在'C:\Users\jh\Desktop\data\images_block'路径下。
边的连接关系相同，存储在'edges_L.csv'文件中。
节点标签存储在'labels'文件夹中，每个标签文件名为'i_j.txt'，其中'i'表示时刻，'j'表示节点序号。

代码实现:

import os
import pandas as pd
import torch
import torch.nn as nn
from torch_geometric.data import Data, DataLoader
from torch_geometric.nn import GCNConv
import torch.nn.functional as F
from sklearn.model_selection import train_test_split

# 加载数据并创建PyG数据集类：
class MyDataset(torch.utils.data.Dataset):
    def __init__(self, root, transform=None, pre_transform=None):
        self.edges = pd.read_csv(os.path.join(root, 'edges_L.csv'))
        self.transform = transform
        self.pre_transform = pre_transform
        self.num_classes = 8  # 修改成8类标签
        
        self.features = []
        self.labels = []
        
        for i in range(1, 43):
            for j in range(37):
                feature_path = os.path.join(root, 'images_block', f'{i}.png_{j}.png')
                label_path = os.path.join(root, 'labels', f'{i}_{j}.txt')  # 修改标签文件名
                
                # 提取图片颜色特征（这里假设使用RGB颜色特征）
                features = extract_color_features(feature_path)
                labels = pd.read_csv(label_path, header=None, sep=' ', encoding='ansi')
                
                self.features.append(torch.tensor(features, dtype=torch.float))
                self.labels.append(torch.tensor(labels.values.squeeze(), dtype=torch.long))  # 修改标签数据类型为long型
    
    def __len__(self):
        return len(self.features)
    
    def __getitem__(self, idx):
        edge_index = torch.tensor(self.edges.values, dtype=torch.long).t().contiguous()
        x = self.features[idx]
        y = self.labels[idx]
        
        # 定义图数据的train_mask和val_mask
        train_mask = torch.zeros(y.size(0), dtype=torch.bool)
        val_mask = torch.zeros(y.size(0), dtype=torch.bool)
        train_mask[:30] = 1
        val_mask[30:] = 1
        
        data = Data(x=x, edge_index=edge_index, y=y, train_mask=train_mask, val_mask=val_mask)
        
        if self.transform is not None:
            data = self.transform(data)
        return data

# 定义GCN模型：
class GCN(torch.nn.Module):
    def __init__(self, num_node_features, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_node_features, 8)
        self.conv2 = GCNConv(8, 16)
        self.conv3 = GCNConv(16, num_classes)
    
    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        return x

# 创建训练和验证模型：
def train_model(dataset, model, optimizer, device):
    model.train()
    total_loss = 0.0
    
    for data in dataset:
        data = data.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.cross_entropy(output[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    
    return total_loss / len(dataset)

def validate_model(dataset, model, device):
    model.eval()
    correct = 0
    total = 0
    
    for data in dataset:
        data = data.to(device)
        output = model(data)
        _, predicted = torch.max(output[data.val_mask], 1)
        total += data.val_mask.sum().item()
        correct += (predicted == data.y[data.val_mask]).sum().item()
    
    return correct / total

# 加载数据集、创建模型、定义优化器和训练循环，以及验证模型：
if __name__ == '__main__':
    dataset = MyDataset(root="C:\Users\jh\Desktop\data\input")
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    
    model = GCN(num_node_features=1600, num_classes=8).to(device)  # 修改num_classes为8
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
    
    train_dataset, val_dataset = train_test_split(dataset, test_size=0.1)
    train_loader = DataLoader(train_dataset, batch_size=1, shuffle=False)
    val_loader = DataLoader(val_dataset, batch_size=1, shuffle=False)
    
    epochs = 2
    for epoch in range(epochs):
        train_loss = train_model(train_loader, model, optimizer, device)
        print(f'Epoch {epoch + 1}/{epochs}, Train Loss: {train_loss:.4f}')
    
    val_accuracy = validate_model(val_loader, model, device)
    print(f'Val_Acc: {val_accuracy:.4f}')

# 创建一个新的函数`extract_color_features`，用于从图片中提取颜色特征
def extract_color_features(image_path):
    # 在这里实现从图片中提取颜色特征的代码
    # 返回提取的颜色特征
    pass

说明:

extract_color_features 函数需要根据实际需求来实现，例如使用OpenCV或PIL库提取RGB颜色特征、HSV颜色特征、LAB颜色特征等。
模型训练参数、模型结构以及损失函数等可以根据具体情况进行调整。
本项目仅提供一个基本的框架，实际应用中还需要根据具体的数据和任务进行修改。

参考文献:

图神经网络：https://en.wikipedia.org/wiki/Graph_neural_network
GCN模型：https://arxiv.org/abs/1609.02907
PyTorch Geometric库：https://pytorch-geometric.readthedocs.io/en/latest/