基于颜色特征的图神经网络模型：使用42个时间点的37个节点图片数据进行训练

本项目使用42个时间点的37个节点图片数据训练图神经网络模型。每个时间点包含37张图片，每张图片代表一个节点，并具有1600维的颜色特征。该模型采用GCN架构，通过学习节点之间的连接关系和颜色特征，对节点进行分类。

数据描述：

数据路径：'C:\Users\jh\Desktop\data\images_block'。
图片大小：40×40。
图片命名格式：'i.png_j.png'，其中'i'表示时刻，从1到42，'j'表示节点序号，从0到36。
每个时刻包含37张图片，代表37个节点。
边的连接关系在所有时刻相同。

模型架构：

GCN（图卷积网络）
输入特征：1600维颜色特征
输出类别：8

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_flatten', f'{i}.txt_{j}.txt')
                label_path = os.path.join(root, 'labels', f'{i}_{j}.txt')  # 修改标签文件名
                features = pd.read_csv(feature_path, header=None, sep=' ')
                labels = pd.read_csv(label_path, header=None, sep=' ', encoding='ansi')
                self.features.append(torch.tensor(features.values, 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]
        x = x.view(37, -1)  # 调整特征数据维度
        # 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}')

新特征输入：

新的特征输入应该是提取上述图片的所有颜色特征。在给定的代码中，特征数据已经被加载为torch.Tensor类型的对象，每个对象表示一张图片的颜色特征。因此，可以直接将这些特征数据作为GCN模型的输入。在GCN模型中，输入特征的维度应该等于num_node_features参数的值，即1600。所以，可以将特征数据的维度调整为(37, 1600)，然后将其作为模型的输入。

具体而言，可以在MyDataset类中的__getitem__方法中添加以下代码来提取特征数据并将其调整为合适的维度：

features = self.features[idx]
features = features.view(37, -1)

然后，在GCN模型的forward方法中，将调整后的特征数据作为模型的输入：

x = self.conv1(features, edge_index)

这样，新的特征数据就会作为GCN模型的输入，用于训练和验证。