簡介基于GNN圖神經(jīng)網(wǎng)絡預測的Python完整源碼數(shù)據(jù)包面向圖神經(jīng)網(wǎng)絡學習者和研究人員覆蓋從數(shù)據(jù)預處理、模型構建到預測結果復現(xiàn)的完整流程。資源共32個文件包含19個Python腳本、4個Jupyter Notebook、4個npz數(shù)據(jù)文件及配置說明、模型示意圖、許可文件等壓縮包僅8.34MB結構清晰。Python腳本主要實現(xiàn)數(shù)據(jù)加載、圖模型定義與訓練邏輯Notebook則提供可直接運行的演示與復現(xiàn)入口兼顧學習與二次開發(fā)npz文件為實驗用圖數(shù)據(jù)開箱即用配以說明文檔和目錄組織易于嵌入現(xiàn)有項目。包內集成PPNP等經(jīng)典GNN模型同時提供PyTorch與TensorFlow兩個版本的實現(xiàn)適合不同框架偏好的用戶并附有模型示意圖輔助理解網(wǎng)絡結構。目前已有2252人學習下載對想快速上手圖神經(jīng)網(wǎng)絡預測的初學者和需要參考完整源碼的研究者都很有價值。1. 圖神經(jīng)網(wǎng)絡預測為什么“關系”比“特征”更值錢做表格數(shù)據(jù)預測時大多數(shù)人默認每行樣本是獨立的。但實際業(yè)務里用戶和用戶之間有社交關系設備和設備之間有調用鏈分子和分子之間有共價鍵——把這些關系丟掉等于把最值錢的信息扔在門口。GNN圖神經(jīng)網(wǎng)絡干的事情就是把這些“關系”直接編碼進預測過程節(jié)點自己長什么樣、它周圍鄰居是誰、鄰居之間怎么連接三件事一起決定最終預測結果。這個方向不是趕時髦而是當數(shù)據(jù)本身自帶連接結構時傳統(tǒng)機器學習模型基本都會輸給GNN。本文從消息傳遞原理講起落到環(huán)境搭建、數(shù)據(jù)準備、訓練調參和避坑記錄帶你把這個Python完整源碼數(shù)據(jù)包真正跑通并用在自己業(yè)務上。適合剛接觸圖神經(jīng)網(wǎng)絡、想用Python快速落地節(jié)點分類或邊預測的工程師。2. 消息傳遞機制GNN到底在算什么最小模型怎么搭2.1 消息傳遞GNN唯一的核心運算GNN的理論基礎可以濃縮成一句話每一個節(jié)點通過不斷聚合鄰居的信息來更新自己的表示。這個操作叫消息傳遞Message Passing所有GNN變體不管是GCN、GAT還是GraphSAGE本質都在做同一件事鄰居節(jié)點把自己算好的向量發(fā)給中心節(jié)點中心節(jié)點拿這些向量做加權求和再經(jīng)過一次非線性變換得到自己的新向量。用一段不依賴任何深度學習框架的代碼來看最直觀import numpy as np def gcn_layer(A_hat, X, W): 一層GCN的前向傳播 A_hat: 加了自環(huán)并對稱歸一化后的鄰接矩陣形狀 (N, N) X: 節(jié)點特征矩陣形狀 (N, D) W: 本層可訓練權重形狀 (D, F) 返回: 更新后的節(jié)點表示形狀 (N, F) return A_hat X W這段代碼里A_hat X就是在做消息聚合A_hat的每一行記錄了當前節(jié)點應該以多大權重去拿鄰居的特征乘完之后每個節(jié)點都拿到了“自己和鄰居的加權特征和”。接著再乘W做一次線性變換這就是一層GCN的全部內容。邏輯上你可以把它理解成“把鄰居信息匯總到一起再統(tǒng)一過一次線性層”。這里有個細節(jié)值得注意A_hat不是原始鄰接矩陣必須做歸一化。常見做法是對稱歸一化公式是D^(-1/2) A D^(-1/2)代碼實現(xiàn)如下def normalize_adjacency(A): 對鄰接矩陣做對稱歸一化防止節(jié)點度過高導致數(shù)值不穩(wěn)定 A A np.eye(A.shape[0]) # 加自環(huán)讓節(jié)點保留自身信息 degree np.sum(A, axis1) # 節(jié)點的度數(shù) degree_inv_sqrt np.power(degree, -0.5) degree_inv_sqrt[np.isinf(degree_inv_sqrt)] 0.0 D_inv_sqrt np.diag(degree_inv_sqrt) return D_inv_sqrt A D_inv_sqrt為什么必須加自環(huán)因為如果不加中心節(jié)點在聚合時只能拿到鄰居的信息自己的原始特征反而丟了這會導致預測效果明顯變差。為什么必須歸一化因為度數(shù)高的節(jié)點比如微博大V聚合了大量鄰居信息度數(shù)低的節(jié)點只有零星幾個鄰居兩者聚合后的向量尺度完全不同送入后續(xù)網(wǎng)絡時會造成訓練不穩(wěn)定。2.2 主流GNN變體怎么選GCN、GAT、GraphSAGE理解消息傳遞之后選型就有了依據(jù)。三種最常用的GNN變體差別只在聚合鄰居時的“加權方式”上。GCN圖卷積網(wǎng)絡的權重是固定的完全由圖的拓撲結構決定度數(shù)高的節(jié)點鄰居貢獻被稀釋度數(shù)低的節(jié)點鄰居貢獻被放大。優(yōu)點是計算效率高、參數(shù)少適合圖結構相對規(guī)整、沒有復雜權重的場景。缺點也很明顯——所有鄰居一視同仁不管它和你是不是同類。GAT圖注意力網(wǎng)絡把固定權重換成了注意力機制模型自己學習每個鄰居的重要性權重。我在做社交網(wǎng)絡用戶分類時GAT通常比GCN高3到5個點因為現(xiàn)實中確實是“某些鄰居比另一些鄰居更重要”。代價是訓練更慢、顯存消耗更大。GraphSAGE則走了另一條路不聚合全部鄰居而是每層隨機采樣固定數(shù)量比如25個的鄰居再做聚合。好處是天然支持大規(guī)模圖和 inductive 場景——新節(jié)點來了不用重新訓練整個圖可以只算它周圍鄰居的表示。如果你的圖有上千萬節(jié)點GraphSAGE是穩(wěn)妥起點。一個實際的選型建議是第一版用GCN把流程跑通建立基線如果效果不夠再換GAT和GraphSAGE對比。不要一上來就在三四個模型之間反復橫跳先跑通再優(yōu)化。3. 環(huán)境搭建與源碼數(shù)據(jù)包落地從Python裝到跑通第一個腳本3.1 環(huán)境準備Python版本、PyTorch和DGL的兼容組合拿到這個Python完整源碼數(shù)據(jù)包第一步永遠是配環(huán)境。GNN的生態(tài)里主流的圖深度學習庫是DGL和PyTorch Geometric配合PyTorch使用。其中被最多項目采用、踩坑成本最低的組合是Python 3.9 PyTorch 1.13/2.0 DGL 1.x。我一般不建議一上來就裝Python 3.12因為部分依賴庫的預編譯輪子還沒跟上容易在編譯環(huán)節(jié)浪費時間。推薦在虛擬環(huán)境里安裝避免污染系統(tǒng)Pythonconda create -n gnn python3.9 -y conda activate gnn pip install torch --index-url https://download.pytorch.org/whl/cu118 pip install dgl這里conda create指定Python版本為3.9是為了讓后續(xù)依賴庫有穩(wěn)定的二進制包支持。安裝PyTorch時--index-url指定CUDA 11.8版本的安裝源如果你的機器只有CPU把這個地址去掉安裝CPU版即可。DGL的CPU版和GPU版在代碼層面沒有區(qū)別安裝GPU版只是為了訓練加速。版本兼容是這邊最常見的翻車點。PyTorch 2.0發(fā)布后舊版本的DGL0.9.x直接無法導入最新PyTorch報錯信息是undefined symbol或者OSError: libtorch_python.so。踩過這個坑之后我的習慣是先確定PyTorch版本再安裝與之匹配的DGL。在bash里執(zhí)行下面兩行花一分鐘確認版本python -c import torch; print(torch.__version__, torch.version.cuda) python -c import dgl; print(dgl.__version__)3.2 數(shù)據(jù)包目錄結構典型的GNN項目長什么樣解壓數(shù)據(jù)包之后先別急著跑train.py。把目錄結構看清楚比什么都重要。一個標準、可以直接上手的GNN項目目錄一般長這樣project_root/ ├── README.md # 項目說明和環(huán)境安裝步驟 ├── requirements.txt # 依賴清單用 pip install -r 一鍵安裝 ├── data/ # 原始數(shù)據(jù)和預處理腳本 │ ├── raw/ # 原始數(shù)據(jù)集比如CSV或JSON │ └── preprocess.py # 數(shù)據(jù)清洗和圖構建腳本 ├── models/ # 模型定義 │ ├── gcn.py # GCN模型類 │ ├── gat.py # 注意力網(wǎng)絡模型類 │ └── sage.py # GraphSAGE模型類 ├── training/ │ ├── train.py # 訓練主腳本 │ └── evaluate.py # 評估腳本 └── utils/ ├── graph_builder.py # 從表格數(shù)據(jù)構建DGL圖 └── metrics.py # 評估指標比如準確率、F1拿到數(shù)據(jù)包后先看README.md確認它要求哪一版Python和DGL再pip install -r requirements.txt。只看models/目錄下的文件你就能判斷這個項目的模型實現(xiàn)用的是DGL還是PyTorch Geometric以及支持哪幾種圖神經(jīng)網(wǎng)絡變體。3.3 跑通第一個訓練腳本最小命令和參數(shù)說明數(shù)據(jù)包到手后最快的驗證方式是用內置的小規(guī)模數(shù)據(jù)集跑一個最小的訓練命令。以節(jié)點分類任務為例典型命令如下python training/train.py \ --dataset cora \ --model gcn \ --hidden-dim 16 \ --num-layers 2 \ --epochs 200--dataset cora指定Cora數(shù)據(jù)集GNN界最經(jīng)典的論文引用數(shù)據(jù)集2708篇論文7個類別--model gcn選擇GCN模型--hidden-dim表示隱藏層維度--num-layers是圖神經(jīng)網(wǎng)絡層數(shù)--epochs是訓練輪數(shù)。跑通之后你會在終端里看到每一輪的loss和驗證集準確率。Cora這個規(guī)模下Epoch 50左右驗證準確率應該穩(wěn)定在76%到82%之間。如果你看到準確率一直在個位數(shù)打轉或者loss不下降先別懷疑模型——大概率是環(huán)境或數(shù)據(jù)處理出了問題后面第5章會列出最常見的幾個坑。4. 從原始數(shù)據(jù)到圖結構鄰接矩陣、特征矩陣與標簽劃分的實操步驟4.1 把表格數(shù)據(jù)變成圖三種常見數(shù)據(jù)形態(tài)和對應構建方式現(xiàn)實項目里很少有現(xiàn)成的圖數(shù)據(jù)給你用。多數(shù)情況是手里有幾張數(shù)據(jù)庫導出的表需要自己把它們組織成圖。下面三種形態(tài)最典型覆蓋了絕大多數(shù)業(yè)務場景。第一種形態(tài)是“節(jié)點表 邊表”分離。節(jié)點表記錄每個實體的ID和特征邊表記錄實體間的關系。這種結構是GNN最友好的輸入直接可以喂給DGL或PyGimport pandas as pd import dgl import torch # ids.csv: 用戶ID列和對應的特征列 # edges.csv: 兩列表示用戶A關注了用戶B nodes pd.read_csv(data/raw/nodes.csv) edges pd.read_csv(data/raw/edges.csv) # 構建無向圖節(jié)點ID需要做連續(xù)整數(shù)映射 node_ids nodes[id].unique() id_map {old: new for new, old in enumerate(node_ids)} src edges[src].map(id_map).values dst edges[dst].map(id_map).values g dgl.graph((torch.tensor(src), torch.tensor(dst))) g.ndata[feat] torch.tensor(nodes.drop(columns[id]).values, dtypetorch.float32)這里dgl.graph接收一個元組分別是源節(jié)點ID數(shù)組和目標節(jié)點ID數(shù)組。因為DGL要求節(jié)點ID必須是從0開始的連續(xù)整數(shù)所以必須先用id_map把原始的業(yè)務ID映射成整數(shù)索引。特征矩陣通過g.ndata[feat]掛到圖上后續(xù)模型直接用g.ndata[feat]取特征。這是一個高效且不容易出錯的圖構建流程。第二種形態(tài)是“從高維稀疏關系矩陣重建圖”。比如電商平臺的共現(xiàn)數(shù)據(jù)或者文本數(shù)據(jù)的詞共現(xiàn)矩陣本身是一個N乘N的稀疏矩陣。直接用scipy.sparse讀取然后用dgl.from_scipy轉為DGL圖from scipy import sparse import dgl adj sparse.load_npz(data/raw/co_occurrence.npz) g dgl.from_scipy(adj)第三種形態(tài)是“從連續(xù)特征計算KNN圖”。數(shù)據(jù)里沒有顯式的邊關系只有每個樣本的連續(xù)特征。常見做法是計算樣本間的余弦相似度或歐氏距離取每個樣本最相似的K個樣本建邊。我處理用戶行為畫像數(shù)據(jù)時經(jīng)常走這條路用sklearn找K近鄰from sklearn.neighbors import kneighbors_graph feat nodes.drop(columns[id]).values adj_matrix kneighbors_graph(feat, n_neighbors10, modeconnectivity) g dgl.from_scipy(adj_matrix)kneighbors_graph里n_neighbors10是鄰居數(shù)量modeconnectivity表示只保留連接關系不計算權重。K的選擇直接影響圖的質量——K太小圖會分裂成多個不連通小團K太大圖會變成一鍋粥所有節(jié)點都連在一起消息傳遞退化成了全局池化。一般可以先在15到30之間試探結合下游任務的驗證集效果來定。4.2 鄰接矩陣的歸一化GCN能不能收斂的勝負手原始鄰接矩陣直接作為輸入GCN大概率會在前幾個epoch就產(chǎn)生梯度爆炸或梯度消失。原因是節(jié)點的特征經(jīng)過連乘之后數(shù)值尺度會迅速變大。必須對鄰接矩陣做歸一化。前面第2章里已經(jīng)給出了對稱歸一化的NumPy實現(xiàn)工程上DGL有內置API可以直接調用不用自己造輪子import dgl.function as fn g dgl.add_self_loop(g) # 加自環(huán)保留節(jié)點自身信息 g dgl.add_self_loop(g).local_var() g.update_all(fn.copy_u(h, m), fn.sum(m, h))實際操作中用dgl.nn.GraphConv會幫你自動處理歸一化邏輯不需要手動加自環(huán)或歸一化。但如果你的模型是自定義消息傳遞層這一步千萬不能漏。判斷獨立實現(xiàn)的對錯有一個簡單方法對比手動實現(xiàn)和dgl.nn.GraphConv在相同數(shù)據(jù)上的前向輸出數(shù)值應該基本一致浮點誤差范圍內。4.3 標簽劃分訓練/驗證/測試的切分方式?jīng)Q定了模型是否過擬合GNN的標簽劃分和普通監(jiān)督學習最大的區(qū)別是不能簡單隨機打亂。如果訓練集和驗證集共享了大量邊比如同一社區(qū)的節(jié)點一部分在訓練集、一部分在驗證集驗證指標會虛高因為你已經(jīng)在訓練時“見過”驗證集節(jié)點的所有鄰居信息。這在工程上叫信息泄露會讓你的模型上線后表現(xiàn)遠不如實驗時那么好看。三種主流劃分策略供參考劃分策略做法適用場景隨機劃分對節(jié)點ID隨機打亂按比例切分圖結構相對稀疏邊對預測影響弱按社區(qū)/連通分量劃分先跑社區(qū)發(fā)現(xiàn)算法再把整個社區(qū)分到同一集合社交網(wǎng)絡、推薦場景按時間劃分用前70%時間的邊訓練后30%預測動態(tài)圖、時序預測場景具體實現(xiàn)上隨機劃分用torch.randperm或sklearn.train_test_split就夠了。而按社區(qū)劃分可以用dgl.metis_partition把圖切成多個子圖再把切出來的子圖分給訓練和驗證num_parts 10 parts dgl.metis_partition(g, num_parts) part_ids torch.arange(num_parts) train_part part_ids[:7] # 7個社區(qū)用于訓練 val_part part_ids[7:] # 3個社區(qū)用于驗證 train_nodes torch.cat([parts[i].ndata[dgl.NID] for i in train_part]) val_nodes torch.cat([parts[i].ndata[dgl.NID] for i in val_part])dgl.metis_partition返回一個字典鍵是分區(qū)的編號值是對應的子圖。每個子圖的ndata[dgl.NID]保存了原始節(jié)點的全局ID把它們收集起來就是該分區(qū)包含的所有節(jié)點。用這種方式切分訓練集和驗證集之間的跨集邊會大幅減少指標更接近真實上線水平。4.4 特征工程的三個方向原始特征不夠時還能從哪里找特征圖神經(jīng)網(wǎng)絡的輸入特征是節(jié)點級的向量。如果你的業(yè)務數(shù)據(jù)只有ID和類別沒有數(shù)值特征直接輸入模型的效果會很差。三個行之有效的方向第一入度、出度、PageRank等圖結構特征。這些特征描述了節(jié)點在圖中的結構性位置實現(xiàn)起來成本極低用NetworkX或DGL幾行就能算出來但往往對預測效果提升明顯。第二節(jié)點embedding——比如用Node2Vec、DeepWalk等圖嵌入方法預先跑一遍把每個節(jié)點映射成低維稠密向量作為GNN輸入特征的一部分。這個方案特別好用先用無監(jiān)督方法把圖的結構信息壓縮成向量再交給GNN去做有監(jiān)督預測兩種方法的優(yōu)勢互補。第三如果每個節(jié)點本身有一段文本比如論文摘要或商品描述可以做一次文本向量化用預訓練模型或TF-IDF轉成固定維度向量作為附加特征。文本特征和圖結構特征一起入模通常比單獨使用其中一種效果更好。5. 避坑記錄GNN預測項目里最容易翻車的五個細節(jié)與排查方式5.1 邊方向沒對齊構建無向圖時漏了反向邊現(xiàn)象模型訓練時loss下降極快但驗證集準確率非常低或者模型完全沒有任何預測能力。原因關系數(shù)據(jù)通常只記了一對節(jié)點的一次方向。比如“用戶A關注了用戶B”原始數(shù)據(jù)里只會有一行記錄。如果你直接用這行記錄建圖DGL建出來的是有向圖消息只能從A傳到B不能回來。很多GNN模型比如GCN默認在無向圖上做對稱聚合方向不一致就導致信息流不通暢。解決在構建圖時顯式加入反向邊同時去掉重復邊再做一次規(guī)范化import dgl import torch src torch.tensor(src) dst torch.tensor(dst) g dgl.graph((torch.cat([src, dst]), torch.cat([dst, src]))) g dgl.to_simple(g) # 去掉重復邊 g dgl.add_self_loop(g)用torch.cat把src和dst對調后拼接一次得到的就是無向圖的雙向邊集合。dgl.to_simple會自動合并重復邊并把多重的邊的權重統(tǒng)計好。處理完可以打印g.number_of_edges()驗證邊數(shù)大約是原始記錄數(shù)的兩倍左右。5.2 節(jié)點度數(shù)分布極不均衡導致預測結果偏向大v節(jié)點現(xiàn)象模型在驗證集上的Accuracy看起來不錯但按節(jié)點度數(shù)分組去看度數(shù)低的節(jié)點預測準確率慘不忍睹。原因圖數(shù)據(jù)普遍存在冪律分布——只有少數(shù)節(jié)點擁有海量鄰居大量節(jié)點只有三五個鄰居。高集聚類了海量信息模型可以輕松從“鄰居”里獲得預測信號低度節(jié)點的鄰居信息太少模型最終只能靠自身特征硬猜。解決第一個手段是按度分桶統(tǒng)計指標不要只看整體Accuracyimport torch pred torch.argmax(logits, dim1) labels g.ndata[label] degree g.in_degrees() for low, high in [(0, 10), (10, 50), (50, float(inf))]: mask (degree low) (degree high) acc (pred[mask] labels[mask]).float().mean() print(fdegree [{low:4}, {high:5}): accuracy {acc:.4f})代碼里g.in_degrees()得到每個節(jié)點的入度按區(qū)間分桶計算各自準確率一眼看出模型對低度節(jié)點的表現(xiàn)。如果確實差太多改用GraphSAGE——它通過采樣限制高Degree節(jié)點的信息無限制擴增對低度節(jié)點更友好。5.3 隨機劃分數(shù)據(jù)導致標簽信息泄漏現(xiàn)象訓練集準確率不錯驗證集準確率也很高線上真實場景效果遠不如實驗——這是典型的信息泄露特征。但這里的泄漏發(fā)生在數(shù)據(jù)劃分階段不是特征工程。原因訓練和驗證節(jié)點之間仍然存在大量邊GNN的消息傳遞會通過邊把驗證節(jié)點的標簽信息經(jīng)過訓練集節(jié)點的中介帶進訓練過程。這在半監(jiān)督場景下尤其明顯——GNN天然會用到圖中所有節(jié)點的特征信息。解決使用按社區(qū)劃分或按時間劃分。按照第4.3節(jié)的做法用dgl.metis_partition把圖切成訓練、驗證、測試三個子圖讓三個集合之間的邊盡可能少。調整后驗證集指標可能會掉3到5個點——不要慌這是去掉信息泄漏之后的真實水平線上效果反而會更可信。5.4 層數(shù)超過3層后性能不升反降過平滑問題的典型特征現(xiàn)象把模型層數(shù)從2層加到4層、6層訓練loss降了但驗證集準確率越來越差。直觀上看是“過擬合”但即便加了Dropout和Weight Decay也沒有改善。原因GNN的理論困境是“過平滑”。深層消息傳遞會讓所有節(jié)點的表示趨于一致——每個節(jié)點反復聚合自己鄰居和鄰居的鄰居最終和整個圖上的均值向量趨同。淺層GCN1到2層能最好地捕捉局部局部結構層數(shù)越深全局均質化越嚴重。解決不要盲目加深網(wǎng)絡。如果確實需要更大感受野比如要用到2跳以外的鄰居信息優(yōu)先調整擴展鄰居范圍用更大的鄰接矩陣冪次或者給每一層加殘差連接。最簡單可靠的工程做法是深度固定為2到3層把主要調參精力放在隱藏層寬度hidden_dim和Dropout比例上。經(jīng)驗數(shù)據(jù)是Cora數(shù)據(jù)集上2層GCN的上限在80%附近加層數(shù)只會更差。5.5 DGL和PyTorch版本不匹配引發(fā)的運行時崩潰現(xiàn)象import dgl正常但訓練過程中一執(zhí)行dgl.graph就報錯錯誤堆棧指向torch.ops相關的內容提示OSError或undefined symbol。原因DGL 0.9.x和PyTorch 2.0之間的二進制接口發(fā)生了變動舊版DGL編譯時鏈接的是舊版PyTorch符號新版PyTorch里這些符號被移除運行到圖構建操作時直接崩潰。解決這是環(huán)境問題不是代碼問題解決方式很直接——檢查當前環(huán)境中兩者的版本把DGL升級到1.1以上或者把PyTorch降到與已有DGL兼容的版本pip install dgl -U python -c import dgl; print(dgl.__version__)如果項目代碼還依賴老版本的DGL API比如dgl.udf或某些舊版函數(shù)升級后會出現(xiàn)接口棄用警告。處理原則是優(yōu)先用新版DGL改掉棄用調用而不是回退到舊版PyTorch——后續(xù)無論裝新依賴還是做GPU遷移新版都省心很多。6. 一個可靠的調參順序先固定Seed再驗證超參敏感性GNN項目真正花時間的不是寫模型而是讓超參數(shù)在一個可復現(xiàn)的基準上調起來。我習慣先規(guī)定一個“黃金Seed”——通常是42。在訓練腳本開頭固定隨機種子讓同一套參數(shù)每次跑出來的結果基本一致才有資格談調參import random import numpy as np import torch seed 42 random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed)固定完隨機種子后再逐一考察對最終結果影響最顯著的四組超參數(shù)。按經(jīng)驗排序學習率 隱藏層維度 Dropout比例 權重衰減。下面的表格是從實際調參中得到的一組典型敏感性參考超參數(shù)低值表現(xiàn)適中值推薦高值風險學習率0.0005時收斂慢150輪后才進入平臺期0.005到0.010.05以上loss震蕩劇烈甚至發(fā)散隱藏層維度8維時表征能力不足準確率低約8個點16至32維64維以上提升有限顯存和訓練時間翻倍Dropout0時訓練集準確率極高、驗證集低過擬合0.5至0.60.8以上模型欠擬合驗證集也掉點權重衰減0時訓練后期驗證集準確率波動5e-4至1e-31e-2以上模型過于平滑預訓練風格退化驗證方法上有明確的區(qū)分超參數(shù)選擇看驗證集最終匯報看測試集。訓練過程中每個Epoch打印驗證集指標選驗證集最好的模型保存權重最后再用測試集做一次匯報。不要拿測試集反復調參——調上三次測試集的指標就沒參考價值了。GNN的調參和普通深度模型不一樣的地方在于它極度依賴“圖”本身的構建質量。一個好的鄰接矩陣頂?shù)蒙蠋资纬瑓?shù)搜索。我自己的習慣是調參前先花時間做特征工程和圖的規(guī)范化研究鄰接矩陣的度分布確認訓練/驗證節(jié)點的劃分沒有泄漏再去動模型和學習率——順序反了用再精細的調參也是白費力氣。這條路我踩了不少坑希望幫到你。本文還有配套的精品資源點擊獲取