这篇文章主要介绍了Pytorch+PyG实现EdgeCNN的方法是什么的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Pytorch+PyG实现EdgeCNN的方法是什么文章都会有所收获，下面我们一起来看看吧。
1.EdgeCNN简介
EdgeCNN是一种用于图像点云处理的卷积神经网络（Convolutional Neural Network，CNN）模型。与传统的CNN仅能处理图片二维数据不同，EdgeCNN可以对三维点云中每个点周围的局部邻域进行操作，并适用于物体识别、深度估计、自动驾驶等多项任务。
2. 实现步骤
2.1 数据准备
在本实验中，我们使用了一个包含4万个点云的数据集ModelNet10，作为示例。与其它标准图像数据集不同的是，这个数据集中图形的构成量非常大，而且各图之间结构差异很大，因此需要进行大量的预处理工作。
# 导入模型数据集 from torch_geometric.datasets import ModelNet # 加载ModelNet数据集 dataset = ModelNet(root='./modelnet', name='10') data = dataset[0] # 定义超级参数 num_points = 1024 batch_size = 32 train_dataset_size = 8000 # 将数据集分割成训练、验证及测试三个数据集 train_dataset = data[0:train_dataset_size] val_dataset = data[train_dataset_size: 9000] test_dataset = data[9000:] # 定义数据加载批处理器 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
通过上述代码，我们先是导入ModelNet数据集并将其分割成训练、验证及测试三个数据集，并创建了数据加载批处理器，以便于在训练过程中对这些数据进行有效的处理。
2.2 实现模型
在定义EdgeCNN模型时，我们需要根据图像点云经常使用的架构定义网络结构。同时，在实现卷积操作时应引入相应的邻域信息，来使得网络能够学习到系统中附近点之间的关系。
from torch.nn import Sequential as Seq, Linear as Lin, ReLU from torch_geometric.nn import EdgeConv, global_max_pool class EdgeCNN(torch.nn.Module): def __init__(self, dataset): super(EdgeCNN, self).__init__() # 定义基础参数 self.input_dim = dataset.num_features self.output_dim = dataset.num_classes self.num_points = num_points # 定义模型结构 self.conv1 = EdgeConv(Seq(Lin(self.input_dim, 32), ReLU())) self.conv2 = EdgeConv(Seq(Lin(32, 64), ReLU())) self.conv3 = EdgeConv(Seq(Lin(64, 128), ReLU())) self.conv4 = EdgeConv(Seq(Lin(128, 256), ReLU())) self.fc1 = torch.nn.Linear(256, 1024) self.fc2 = torch.nn.Linear(1024, self.output_dim) def forward(self, pos, batch): # 构造图 edge_index = radius_graph(pos, r=0.6, batch=batch, loop=False) # 第一层CNN模型的卷积 + 池化处理 x = F.relu(self.conv1(x=pos, edge_index=edge_index)) x = global_max_pool(x, batch) # 第二层CNN模型的卷积 + 池化处理 edge_index = radius_graph(x, r=0.9, batch=batch, loop=False) x = F.relu(self.conv2(x=x, edge_index=edge_index)) x = global_max_pool(x, batch) # 第三层CNN模型的卷积 + 池化处理 edge_index = radius_graph(x, r=1.2, batch=batch, loop=False) x = F.relu(self.conv3(x=x, edge_index=edge_index)) x = global_max_pool(x, batch) # 第四层CNN模型的卷积 + 池化处理 edge_index = radius_graph(x, r=1.5, batch=batch, loop=False) x = F.relu(self.conv4(x=x, edge_index=edge_index)) # 定义全连接网络 x = global_max_pool(x, batch) x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=-1)
在上述代码中，实现了基于EdgeCNN的模型的各个卷积层和全连接层，并使用
radius_graph等函数将局部区域问题归约到定义的卷积核检测范围之内，以便更好地对点进行分析和特征提取。最后结合全连接层输出一个维度为类别数的向量，并通过softmax函数来计算损失。
2.3 模型训练
在定义好EdgeCNN网络结构之后，我们还需要指定合适的优化器、损失函数，并控制训练轮数、批大小与学习率等超参数。同时也需要记录大量日志信息，方便后期跟踪及管理。
# 定义训练计划，包括损失函数、优化器及迭代次数等
train_epochs = 50
learning_rate = 0.01
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(edge_cnn.parameters(), lr=learning_rate)
losses_per_epoch = []
accuracies_per_epoch = []
for epoch in range(train_epochs):
running_loss = 0.0
running_corrects = 0.0
count = 0.0
for samples in train_loader:
optimizer.zero_grad()
pos, batch, label = samples.pos, samples.batch, samples.y.to(torch.long)
out = edge_cnn(pos, batch)
loss = criterion(out, label)
loss.backward()
optimizer.step()
running_loss += loss.item() / len(train_dataset)
running_corrects += torch.sum(torch.argmax(out, dim=1) == label).item() / len(train_dataset)
count += 1
losses_per_epoch.append(running_loss)
accuracies_per_epoch.append(running_corrects)
if (epoch + 1) % 5 == 0:
print("Train Epoch {}/{} Loss {:.4f} Accuracy {:.4f}".format(
epoch + 1, train_epochs, running_loss, running_corrects))在训练过程中，我们遍历每个batch，通过反向传播算法进行优化，并更新loss及accuracy输出。同时，为了方便可视化与记录，需要将训练过程中的loss和accuracy输出到相应的容器中，以便后期进行分析和处理。