fighterlyl / graphneuralnetwork Goto Github PK

View Code? Open in Web Editor NEW

1.7K 27.0 448.0 1004 KB

《深入浅出图神经网络：GNN原理解析》配套代码

Jupyter Notebook 55.01% Python 44.99%

gnn gcn graph-neural-network

graphneuralnetwork's Introduction

GraphNeuralNetwork

《深入浅出图神经网络：GNN原理解析》配套代码

关于勘误

由于作者水平有限，时间仓促，书中难免会有一些错误或不准确的地方，给读者朋友造成了困扰，表示抱歉。仓库中提供了目前已经发现的一些问题的勘误,在此向指正这些错误的读者朋友表示感谢。

在5.4节图滤波器的介绍中，存在一些描述错误和概念模糊的问题，可能给读者理解造成偏差，勘误中对相关问题进行了更正

环境依赖

python>=3.6
jupyter
scipy
numpy
matplotlib
torch>=1.2.0

Getting Start

FAQ

Cora数据集无法下载

Cora数据集地址是：kimiyoung/planetoid。 ~~仓库中提供了一份使用到的cora数据，可以分别将它放在 chapter5/cora/raw 或者 chapter7/cora/raw 目录下。~~ 新代码直接使用本地数据.

graphneuralnetwork's People

Contributors

Stargazers

Watchers

Forkers

jiaxiangen yuhao2810 phrmgb tonycmu fuchanghe janeyzy gaozhengjie mingli-ai allensmile jifengcq zky001 mingjunw wangyuan249 yyz277322264 collector-m myknowntime baijunjie-me 90217 yangqizhang fjpsxh sxdkxgwan nksgw11 lemonqc mike575 jeane523 wzwyoyo ericwangyz cjopengler zhengleeee chaoshengt ml-boringtao xinghuitao chemphy niumeng07 zmjm4 songfgh formleaf stlife2012 suntianyue1028 jinmiaos kailianghu yncao wyhcipuc shark803 geniusyx pluslinkid sitp2018 taishanfuxiao blackclover1 zhoubinxm ryfan-rs zpeng-learn y0ungmay lizhenchen2019 wly-thu txxhoney flucius kartikmehta09 rotcx mtcai oasisye zbn123 pyten jingmouren sorrowyn dinglunhe ga091an yztok33 scorpjd xwdshiwo shanghaibin yonghangzhou hanbei969 veronicawang dashuang13 zhqgui vajuw shuangte handreazz longlee220284 liuxinkai94 blashadow-star shanhaiying tigermachinelearning guan-math 18809516442 xiexiaodai deephuan liangzai951 sjanbs may5hap andy1314chen songzhen-neu vanessatelles kilinye sky-zzt emir-liu hamigua2019 yiwu1996 liupion

graphneuralnetwork's Issues

关于第7章GAT部分的一些错误

P137页图7-4softmax输出的节点应为α_ij而非e_ij
P138页公式7.8 α_ij的计算公式，分母中的Wh_j，应为Wh_k，与前面的求和函数的第k个节点应保持一致

数据加载

数据加载是否要VPN，5章程序训练不了代码显示[WinError 10054] 远程主机强迫关闭了一个现有的连接。>，打开数据集连接显示404

第5章勘误

2020年11月第一版第5次印刷。

P85，公式(5.7) $Lx$ 结果应该为列向量，所以最后结果方括号外面应该加转置。
P86, 上面数第二三行：由式(5.7)可知： $LI =0$ ,因此……
这里是否有误？I表示单位矩阵的话，只能得到 $LI =L$ 才对。

我的理解是：当图信号的强度全部相同的时候，我们得到 $Lx =\lambda x = \mathbf{0}$ , 所以 $\lambda =0$ , 即Laplacian Matrix可能的最小的特征值为0.

73页，公式4-10和4-11

4-10与4-11都是算KL距离，一个是单竖线，一个是双竖线，请问这两个有什么区别吗？上下文中没有说明，百度和CSDN里都是用的双竖线，这里不明白，请教一下，谢谢

第五章代码的一个问题

作者你好，我想问一下如果我想在第五章代码的基础上改一下，在新的数据集上测试，但是我的输入数据维度是3D的，这个时候会遇到输入特征维度出错，因为Cora数据集输入特征维度就是int类型的，这种情况应该怎么改呢

Unpicklingerror: invalid loadkey,' \ x0a'

cora数据集下载保存到本地D:\GraphNeuralNetwork-master\chapter5\cora\raw，当运行第五章代码# In[7]:# 加载数据，并转换为torch.Tensor时出现下列问题：

UnpicklingError Traceback (most recent call last)
in
----> 1 dataset = CoraData().data
2 x = dataset.x / dataset.x.sum(1, keepdims=True) # 归一化数据，使得每一行和为1
3 tensor_x = torch.from_numpy(x).to(device)
4 tensor_y = torch.from_numpy(dataset.y).to(device)
5 tensor_train_mask = torch.from_numpy(dataset.train_mask).to(device)

in init(self, data_root, rebuild)
16 else:
17 self.maybe_download()
---> 18 self._data = self.process_data()
19 with open(save_file, "wb") as f:
20 pickle.dump(self.data, f)

in process_data(self)
32 print("Process data ...")
33 _, tx, allx, y, ty, ally, graph, test_index = [self.read_data(
---> 34 osp.join(self.data_root, "raw", name)) for name in self.filenames]
35 train_index = np.arange(y.shape[0])
36 val_index = np.arange(y.shape[0], y.shape[0] + 500)

in (.0)
32 print("Process data ...")
33 _, tx, allx, y, ty, ally, graph, test_index = [self.read_data(
---> 34 osp.join(self.data_root, "raw", name)) for name in self.filenames]
35 train_index = np.arange(y.shape[0])
36 val_index = np.arange(y.shape[0], y.shape[0] + 500)

in read_data(path)
92 return out
93 else:
---> 94 out = pickle.load(open(path, "rb"), encoding="latin1")
95 out = out.toarray() if hasattr(out, "toarray") else out
96 return out

UnpicklingError: invalid load key, '\x0a'.

关于chapter7 graphsage 每轮epoch最后一轮batch src_node变成1000 但是设置的根节点数目为16

如图1，eopch000 batch019的时候，打印图2samping函数中的src_noded, src_node的个数变成了1000，但是在图3中在main的train函数中打印batch_src_index 输出结果为0
每个epoch的最后一个batch都有这个问题， batch_src_node的个数不是设置的16吗？为什么在最后一个batch batch_src_node的个数会变成0，而且传入到multihop_sampling中src_node的个数变成了1000？

关于图3-12 b

当步长s=2时，卷积之后的输出是否应该为3x3？

第五页K阶子图定义

作者您好，我感觉第五页K阶子图定义有些问题。这里面写的E‘={eij|任意 vj,d(vi,vj)<=k}
这里面如果eij图中根本不存在这条边，但是存在这个路径所以说这可能会有些问题。所以我认为E‘={elm|任意 vj,d(vi,vj)<=k，elm属于Pij}
希望得到您的回复。目前正在认真阅读图卷积知识。

something seems wrong in the file of main.py in chapter07

# line 31 - 32
train_index = np.where(data.train_mask)[0]
train_label = data.y[train_index]

# line 45 - 46
batch_src_index = np.random.choice(train_index, size=(BTACH_SIZE,))
batch_src_label = torch.from_numpy(train_label[batch_src_index]).long().to(DEVICE)

here, train_label should be data.y but not data.y[train_index]

第二次印刷的，36页，公示2.25缺少上标

勘误

原书中2.2.2多层感知机中第一小节【单隐层感知器】中最后阐述的“W^(0)的每一列表示从输入连接到隐藏层一个神经元的权值向量”是否应为“W^(0)的每一行”？

The download url for Cora data is unavailable now!

The download url for Cora data (chapter 5), i.e., https://raw.githubusercontent.com/kimiyoung/planetoid/master/data, is unavailable now. When I try this url, it leads me to the 404 not found page.

跑第七章的程序时出现问题？求助。

Traceback (most recent call last):
File "main.py", line 71, in
train()
File "main.py", line 47, in train
batch_sampling_result = multihop_sampling(batch_src_index, NUM_NEIGHBORS_LIST, data.adjacency_dict)
File "E:\GraphNeuralNetwork-master\chapter7\sampling.py", line 37, in multihop_sampling
hopk_result = sampling(sampling_result[k], hopk_num, neighbor_table)
File "E:\GraphNeuralNetwork-master\chapter7\sampling.py", line 19, in sampling
res = np.random.choice(neighbor_table[sid], size=(sample_num, ))
TypeError: 'coo_matrix' object is not subscriptable

书p70第二行Wenc应为Wdec

如题

请问这里的data是什么数据？公共数据集吗？

第二版，82页，行视角计算矩阵乘法，第三个等式中间一个应该为[1,-1]

GraphSage中multihop_sampling代码

我将main函数中的train部分改为
def train():
model.train()
for e in range(EPOCHS):
for batch in range(NUM_BATCH_PER_EPOCH):
batch_src_index = np.random.choice(train_index, size=(BTACH_SIZE,))
r=batch_src_index
#t=len(r)
print("batch_src_index ")
print(r)#添加部分，显示1---------------------------------------------------显示1
batch_src_label = torch.from_numpy(train_label[batch_src_index]).long().to(DEVICE)
batch_sampling_result = multihop_sampling(batch_src_index, NUM_NEIGHBORS_LIST, data.adjacency_dict)
batch_sampling_x = [torch.from_numpy(x[idx]).float().to(DEVICE) for idx in batch_sampling_result]
# r=batch_sampling_x[0],x=3个16的tensor
# t=len(r)
# print(t)
batch_train_logits = model(batch_sampling_x)
loss = criterion(batch_train_logits, batch_src_label)
optimizer.zero_grad()
loss.backward() # 反向传播计算参数的梯度
optimizer.step() # 使用优化方法进行梯度更新
print("Epoch {:03d} Batch {:03d} Loss: {:.4f}".format(e, batch, loss.item()))
test()
在multihop_sampling函数中添加显示
def multihop_sampling(src_nodes, sample_nums, neighbor_table):
sampling_result = [src_nodes]
print(src_nodes)# 显示2------------------------------------------------------显示2
for k, hopk_num in enumerate(sample_nums):
r=hopk_num
print(k)# 显示3------------------------------------------------------显示3
print(r)# 显示4--------------------------------------------------- 显示4
q=sampling_result[k]
print(q)# 显示5---------------------------------------------------显示5
hopk_result = sampling(sampling_result[k], hopk_num, neighbor_table)
sampling_result.append(hopk_result)
return sampling_result
在sampling函数中添加显示
def sampling(src_nodes, sample_num, neighbor_table):
results = []
print(src_nodes)# 显示6---------------------------------------------------显示6
对应的multihop_sampling中的循环结果为：
[107 95 10 100 24 118 108 50 83 68 33 19 90 3 92 83]#显示1
[107 95 10 100 24 118 108 50 83 68 33 19 90 3 92 83]#显示2
0#显示3
10#显示4
[107 95 10 100 24 118 108 50 83 68 33 19 90 3 92 83]#显示5
[107 95 10 100 24 118 108 50 83 68 33 19 90 3 92 83]#显示6
1#二轮显示3
10#二轮显示4
[ 541 1650 541 1113 1650 1113 541 541 971 1113 334 1303 456 2182
1580 1580 2199 2200 1628 861 2545 476 476 2545 2545 476 476 2545
476 476 2056 2056 2056 1602 2056 1602 1602 2056 2056 1602 1701 2141
1701 17 17 201 2141 2139 1636 17 1343 842 2165 1690 1507 842
2166 1616 2165 554 2209 1647 2157 1647 2209 2209 2209 1647 2157 2157
1441 1441 1441 1441 1441 1441 1441 1441 1441 1441 2581 2581 2581 2581
2581 2581 2581 2581 1520 2581 391 1986 1358 1986 1358 1358 391 1986
1358 1358 2040 1051 286 2121 1051 2119 286 2120 911 2119 1939 1939
1939 1939 1939 1939 1939 1939 1939 1939 1358 155 155 156 155 1358
155 1358 156 1358 2544 2544 2544 2544 2544 2544 2544 2544 2544 2544
1836 898 1836 898 898 898 1836 1836 1836 1836 1520 2581 2581 2581
1520 1520 1520 1520 2581 2581]#二轮显示5,总共1000维
[ 541 1650 541 1113 1650 1113 541 541 971 1113 334 1303 456 2182
1580 1580 2199 2200 1628 861 2545 476 476 2545 2545 476 476 2545
476 476 2056 2056 2056 1602 2056 1602 1602 2056 2056 1602 1701 2141
1701 17 17 201 2141 2139 1636 17 1343 842 2165 1690 1507 842
2166 1616 2165 554 2209 1647 2157 1647 2209 2209 2209 1647 2157 2157
1441 1441 1441 1441 1441 1441 1441 1441 1441 1441 2581 2581 2581 2581
2581 2581 2581 2581 1520 2581 391 1986 1358 1986 1358 1358 391 1986
1358 1358 2040 1051 286 2121 1051 2119 286 2120 911 2119 1939 1939
1939 1939 1939 1939 1939 1939 1939 1939 1358 155 155 156 155 1358
155 1358 156 1358 2544 2544 2544 2544 2544 2544 2544 2544 2544 2544
1836 898 1836 898 898 898 1836 1836 1836 1836 1520 2581 2581 2581
1520 1520 1520 1520 2581 2581]#二轮显示6
问题1：二轮的数据怎么生成的？
问题2：显示5中的sampling_result[k]不应该为sampling_result的第k个数据，不应是一个数据吗？怎么显示的是一个张量?

第九章的代码

您好我想问一下为什么第九章的代码最后我得到的结果特别低啊 LOSS1.26 RSME0.92

第五章的数据无法下载

如题: https://raw.githubusercontent.com/kimiyoung/planetoid/master/data 这个可能失效了。请提供下新的下载地址。

关于二维卷积（式3.2,3.4,3.6和3.7）

公式中i和j的求和范围是否都应该是-floor(k/2)到floor(k/2)，而不是floor(2/k)?

P47倒数第二行H(3)∈R272796，应该为2727256

关于建图关系矩阵疑问

GraphNeuralNetwork/chapter5/GCN_Cora.py

Line 131 in 7bad933

edge_index.extend([v, src] for v in dst)

能不能把电子版本里面的错误都改掉？

买了亚马逊kindle版本的电子书，感觉是第一版的，能不能把勘误的错误在电子书中改正。不然得边看电子书边看勘误pdf。谢谢

关于第八章图分类实战的代码运行

您好，我在运行第八章关于SAGPool的代码时，在运行dataset = DDDatataset()时出现以下问题：
Loading DD_A.txt
Loading DD_node_labels.txt
Loading DD_graph_indicator.txt
Loading DD_graph_labels.txt
Number of nodes: 334925
Traceback (most recent call last):
File "self_attn_pool.py", line 347, in
dataset = DDDataset()
File "self_attn_pool.py", line 83, in init
self.train_index, self.test_index = self.split_data(train_size)
File "self_attn_pool.py", line 91, in split_data
random_state=1234)
File "/home/zyf/anaconda3/envs/pt36/lib/python3.6/site-packages/sklearn/model_selection/_split.py", line 2096, in train_test_split
arrays = indexable(*arrays)
File "/home/zyf/anaconda3/envs/pt36/lib/python3.6/site-packages/sklearn/utils/validation.py", line 230, in indexable
check_consistent_length(*result)
File "/home/zyf/anaconda3/envs/pt36/lib/python3.6/site-packages/sklearn/utils/validation.py", line 201, in check_consistent_length
lengths = [_num_samples(X) for X in arrays if X is not None]
File "/home/zyf/anaconda3/envs/pt36/lib/python3.6/site-packages/sklearn/utils/validation.py", line 201, in
lengths = [_num_samples(X) for X in arrays if X is not None]
File "/home/zyf/anaconda3/envs/pt36/lib/python3.6/site-packages/sklearn/utils/validation.py", line 146, in _num_samples
" a valid collection." % x)
TypeError: Singleton array array({0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27,（中间省略）,1167, 1168, 1169, 1170, 1171, 1172, 1173, 1174, 1175, 1176, 1177},
dtype=object) cannot be considered a valid collection.
不知道是数据集的问题还是其他问题，请您帮我解决一下，谢谢。

关于第五章的训练数据

有个疑问，似乎用于训练的数据是按顺序取的？并且实际上用于训练的数据并不是对应于tx？

第7章的代码运行时报如下错误，请问怎么解决？

Traceback (most recent call last):
File "D:/GraphNeuralNetwork-master/GraphNeuralNetwork-master/chapter7/main.py", line 71, in
train()
File "D:/GraphNeuralNetwork-master/GraphNeuralNetwork-master/chapter7/main.py", line 47, in train
batch_sampling_result = multihop_sampling(batch_src_index, NUM_NEIGHBORS_LIST, data.adjacency_dict)
File "D:\GraphNeuralNetwork-master\GraphNeuralNetwork-master\chapter7\sampling.py", line 37, in multihop_sampling
hopk_result = sampling(sampling_result[0], hopk_num, neighbor_table)
File "D:\GraphNeuralNetwork-master\GraphNeuralNetwork-master\chapter7\sampling.py", line 19, in sampling
res = np.random.choice(neighbor_table[sid], size=(sample_num, ))
TypeError: 'coo_matrix' object does not support indexing

P88 5.3节特征矩阵计算错误?

通过以下代码发现结果和书上的不一样

import numpy as np

l = np.array([[2, -1, -1, 0, 0], [-1, 3, -1, -1, 0], [-1, -1, 3, -1, 0], [0, -1, -1, 3, -1], [0, 0, 0, -1, 1]])
print(l)
vals, vecs = np.linalg.eig(l)
sorted_indices = np.argsort(vals)
rank_vals = vals[sorted_indices]
rank_vecs = vecs[:, sorted_indices]
np.set_printoptions(
    infstr='inf',
    nanstr='nan',
    formatter=None,
    precision=3,  # 精度，保留小数点后几位
    threshold=500,
    # 最多可显示的Array元素个数
    edgeitems=3,
    # 在缩率显示时在起始和默认显示的元素个数
    linewidth=150,  # 每行最多显示的字符数，默认80，超过则换行显示
    suppress=True  # 浮点显示（不用科学计数法）
)
print(rank_vals)
print(rank_vecs)

算出的结果如下

[0.    0.83  2.689 4.    4.481]
[[ 0.447  0.438 -0.703 -0.    -0.338]
 [ 0.447  0.256  0.242  0.707  0.419]
 [ 0.447  0.256  0.242 -0.707  0.419]
 [ 0.447 -0.138  0.536 -0.    -0.702]
 [ 0.447 -0.811 -0.318  0.     0.202]]

第八章程序运行出错

E:\深度学习开源项目\GraphNeuralNetwork-master\chapter8>python self_attn_pool.py
Traceback (most recent call last):
File "self_attn_pool.py", line 11, in
from sklearn.model_selection import train_test_split
ModuleNotFoundError: No module named 'sklearn'

但是我已经安装过sklearn了，请问该如何解决？
另外该程序用cpu可以跑的吧？
谢谢！

P133页GraphSAGE的伪代码第9行

一、
P133页GraphSAGE的伪代码第9行应该是for k = 1...K do 吧，这个循环不应该从src_node作聚合了，而是从远处的node聚合，原论文也是写的for k = 1...K do
二、
不是很理解p152页GraphSAGE代码实现的forward部分，为什么有两个分别遍历num_layers和num_layers - 1的for循环，我理解的算法似乎做一次从1到K的聚合遍历就行了，希望能解释一下

【图分类】代码中，将数据集换成另外的二分类数据集比如：DBLP_v1，提示：类值为负！

在第八章中，用其他数据集进行训练，比如DBLP_v1,运行结果提示：类值不能为负值。具体错误提示如下：

提示在ont_hot()函数中出现了问题。请问这个问题如何解决呢？该模型是否具有通用性？对数据集有什么要求吗？

书中第五章第5.6节有个错误

"x：节点特征，维度为 2808×1433" 这里应该是 2708*1433

关于公式3.6

P44页的公式3.6是否应该对通道数求一次和？

5.5卷积神经网络的疑问？

书中：

如何证明是图位移算子？？这应该和x1自身有关系吧，不一定是图移位算子。
@FighterLYL

About Training on CUDA devices

Hello @FighterLYL
Thank you for sharing the code of the book!
In chapter 5's Jupyter Notebook, I found a small problem in its cell 9.

For those who use CUDA device to run this cell.

def test(mask):
    model.eval()
    with torch.no_grad():
        logits = model(tensor_adjacency, tensor_x)
        test_mask_logits = logits[mask]
        predict_y = test_mask_logits.max(1)[1]
        accuarcy = torch.eq(predict_y, tensor_y[mask]).float().mean()
    return accuarcy, test_mask_logits.numpy(), tensor_y[mask].numpy()

This is your original code. And I run it on a CUDA device, then it returns such error.

TypeError: can't convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.

It shows that the tensor is still in CUDA device. and use .cpu() method can solve this.

So, I modified the code:

def test(mask):
    model.eval()
    with torch.no_grad():
        logits = model(tensor_adjacency, tensor_x)
        test_mask_logits = logits[mask]
        predict_y = test_mask_logits.max(1)[1]
        accuarcy = torch.eq(predict_y, tensor_y[mask]).float().mean()
    # return accuarcy, test_mask_logits.numpy(), tensor_y[mask].numpy()

    # NOTE(WMF): if you want to use CUDA device, and... do not detach them?
    if device == 'cpu':
        return accuarcy, test_mask_logits.detach().numpy(), tensor_y[mask].detach().numpy()
    else:
        return accuarcy, test_mask_logits.detach().cpu().numpy(), tensor_y[mask].detach().cpu().numpy()

I added a .detach() to make sure the result is detached from PyTorch's computation map. (I tried the code without .detach(), it still works, so .detach() can be an optional.

yours sincerely,
@WMF1997

请问第九章运行示例什么时候可以更新？

作者你好，感谢这个详细的代码库。
请问第九章运行示例什么时候可以更新？

P35倒数第四行

是否应该为：第l层的误差与第l+1层的误差有关？

关于固定滤波器的性质

首先感谢作者写了这本书，作为入门书我觉得很不错。由于理解还不够，想问作者几个问题：

P99页hat(L_sym)看起来不像是I+L，也就是hat(L)的直接正则化，我理解的正则化是对I+L的对角线归一化，如果按照我的理解的话，这个hat(L_sym)应该不是，希望作者帮忙解惑一下。
P125页 v1=hat(D)^(1/2)I 怎么会处处相等，hat(D) = D+I只是对角矩阵，其对角元和图的节点度相关，如何理解处处相等？

35页公式2.23上面一句话有错

基于公式z(l+1) = W(l+1)a(l) + b(l)，这里应该是b(l+1)吧

Core数据集无法下载

你好，Chapter5中Cora数据集的下载链接https://raw.githubusercontent.com/kimiyoung/planetoid/master/data打不开，请问有其他方式下载该数据集吗？

请问这个数据集您还有存档嘛

我登录https://raw.githubusercontent.com/kimiyoung/planetoid/master/data这个网站不能直接下载数据。代码按您的粘过来报错如下：

Traceback (most recent call last):

File "D:\练习\learning\GCN_KEY.py", line 257, in
dataset = CoraData().data

File "D:\练习\learning\GCN_KEY.py", line 70, in init
self.maybe_download()

File "D:\练习\learning\GCN_KEY.py", line 122, in maybe_download
"{}/{}".format(self.download_url, name), save_path)

File "D:\练习\learning\GCN_KEY.py", line 157, in download_data
data = urllib.request.urlopen(url)

File "D:\anaconda3\lib\urllib\request.py", line 222, in urlopen
return opener.open(url, data, timeout)

File "D:\anaconda3\lib\urllib\request.py", line 525, in open
response = self._open(req, data)

File "D:\anaconda3\lib\urllib\request.py", line 543, in _open
'_open', req)

File "D:\anaconda3\lib\urllib\request.py", line 503, in _call_chain
result = func(*args)

File "D:\anaconda3\lib\urllib\request.py", line 1362, in https_open
context=self._context, check_hostname=self._check_hostname)

File "D:\anaconda3\lib\urllib\request.py", line 1321, in do_open
raise URLError(err)

URLError: <urlopen error [Errno 11004] getaddrinfo failed>

关于在R8数据集上使用GraphSAGE的问题

你好，我尝试在R8数据集上使用GraphSAGE进行分类预测
由于你实验用的.x,.y,.alllx一类的文件都是直接下载的，所以我用了别人的代码来处理数据并生成这一类文件。但在实验中遇到了loss一直为NAN的原因。网上说可能是输入数据有问题，但是我比较之后，发现两者似乎没有明显差别，现在就有点懵。不知道你有没有在别的数据集上用过GraphSAGE？
另外，请问你知道哪里可以下到R8，MR，20ng这一类数据集的.x,.y,.allx这一类文件吗？

关于图卷积神经网络

作者您好，你在解释最初如何设计图卷积神经网络的过程中，你提到可以对频率响应矩阵进行参数化，之后解释他的不足的原因解释为：

“引入的学习参数过多,需要学习的参数量与图中的节点数一致,这在大规模图数据,比如上亿节点数规模
的图中,极易发生过拟合问题。”

可是按照我的理解，在现在GCN的设计中，参数量应该是大于节点个数的吧？所以我不是很懂这个部分的理解。另外，我不知道这句话是不是有个前提，那就是参数量大这个情况只会发生在大规模图数据。

关于书的92、93、94页的疑问和错误。

92页：5.21公式里面的h0, h1这些系数，则么计算？
93页：5.23公式里面的hk 的k应该是下标而不是上标。
94页：x(1) = Hx，x(2)=Hx(1)，根据93页的公式，不对吧。应该是x(1)=Lx， x(2)=Lx(1)。而且在已知H=A的情况，系数向量h则么计算得到。根据5.21公式，先算出L，把书上的系数向量h代入公式，计算得到H 和书上写的 H 不一致。

关于公式3.10

代码运行故障

那个cora的网址显示——404: Not Found
可以给的可以用的吗？不太清楚数据集放置位置（新手发盐）

关于chapter5代码运行发生错误

跑了一下里面的jupyter文件，报错RuntimeError: Expected object of scalar type Long but got scalar type Int for argument #2 'target'，自己将target改成long类型也会报错RuntimeError: multi-target not supported at C:/w/1/s/tmp_conda_3.6_045031/conda/conda-bld/pytorch_1565412750030/work/aten/src\THCUNN/generic/ClassNLLCriterion.cu:15