网站二级域名设置,深圳seo优化公司哪家好,汕头选择免费网站优化,晋江建设银行招聘网站为了使用你提到的封装方式来创建一个包含多个 Data 对象的列表并使用 DataLoader 来加载这些数据#xff0c;我们可以按照以下步骤进行#xff1a;
创建数据#xff1a;生成节点特征矩阵、边索引矩阵和标签。封装数据#xff1a;使用 Data 对象将这些数据封装起来。使用 D…为了使用你提到的封装方式来创建一个包含多个 Data 对象的列表并使用 DataLoader 来加载这些数据我们可以按照以下步骤进行
创建数据生成节点特征矩阵、边索引矩阵和标签。封装数据使用 Data 对象将这些数据封装起来。使用 DataLoader确保批次数据的形状符合期望。
具体步骤
1. 创建数据
首先我们创建节点特征矩阵、边索引矩阵和标签数据。
import torch
from torch_geometric.data import Data
from torch_geometric.loader import DenseDataLoader # 更新导入路径# 参数设置
num_samples 100 # 样本数
num_nodes 10 # 每个图中的节点数
num_node_features 8 # 每个节点的特征数# 生成数据
features [torch.randn((num_nodes, num_node_features)) for _ in range(num_samples)]
labels [torch.randn((num_nodes, 1)) for _ in range(num_samples)]
adj_matrix torch.zeros((num_nodes, num_nodes), dtypetorch.float)
for i in range(num_nodes):adj_matrix[i, (i 1) % num_nodes] 1adj_matrix[(i 1) % num_nodes, i] 1
print(adj_matrix)2. 封装数据
使用 Data 对象将每个样本的数据封装起来。
data_list [Data(xfeatures[i], adjadj_matrix, ylabels[i]) for i in range(num_samples)]3. 使用 DataLoader
# 创建 DataLoader
loader DenseDataLoader(data_list, batch_size32, shuffleTrue)# 从 DenseDataLoader 中获取一个批次的数据并查看其形状
for data in loader:print(Batch node features shape:, data.x.shape) # 期望输出形状为 (32, 10, 8)print(Batch adjacency matrix shape:, data.adj.shape) # 期望输出形状为 (32, 10, 10)print(Batch labels shape:, data.y.shape) # 期望输出形状为 (32, 10, 1)break # 仅查看第一个批次的形状总结
生成数据我们生成了包含节点特征、边索引和标签的样本数据。封装数据我们使用 Data 对象将每个样本的数据封装起来。
完整代码
import torch
from torch_geometric.data import Data
from torch_geometric.loader import DenseDataLoader # 更新导入路径# 参数设置
num_samples 100 # 样本数
num_nodes 10 # 每个图中的节点数
num_node_features 8 # 每个节点的特征数# 生成数据
features [torch.randn((num_nodes, num_node_features)) for _ in range(num_samples)]
labels [torch.randn((num_nodes, 1)) for _ in range(num_samples)]
adj_matrix torch.zeros((num_nodes, num_nodes), dtypetorch.float)
for i in range(num_nodes):adj_matrix[i, (i 1) % num_nodes] 1adj_matrix[(i 1) % num_nodes, i] 1
print(adj_matrix)data_list [Data(xfeatures[i], adjadj_matrix, ylabels[i]) for i in range(num_samples)]# 创建 DataLoader
loader DenseDataLoader(data_list, batch_size32, shuffleTrue)# 从 DenseDataLoader 中获取一个批次的数据并查看其形状
for data in loader:print(Batch node features shape:, data.x.shape) # 期望输出形状为 (32, 10, 8)print(Batch adjacency matrix shape:, data.adj.shape) # 期望输出形状为 (32, 10, 10)print(Batch labels shape:, data.y.shape) # 期望输出形状为 (32, 10, 1)break # 仅查看第一个批次的形状
