GCN on Cora — Jittor 热身赛

基于 Jittor + JittorGeometric 的 GCN 节点分类任务（Cora 引文网络）。

环境安装

• 操作系统：Ubuntu 22.04（x86_64）
• Python：3.10
• CUDA：12.1

pip install -r requirements.txt

关键依赖：

包	版本
jittor	1.3.11.0
jittor_geometric	2.0.0
numpy	1.24.0

数据准备

将 cora.pkl 放置到 data/ 目录下。数据集随热身赛发布包提供，包含：

• 节点数：2708，特征维度：1433，类别数：7
• 边数：5429
• 训练/验证集标签完整，测试集标签为 -1

目录结构：

data/
└── cora.pkl

训练

python gcn.py --config configs/gcn_cora.yaml

不使用配置文件时，可通过命令行参数直接指定：

python gcn.py --data-path data/cora.pkl --epochs 200 --seed 42

可配置参数：

参数	默认值	说明
--data-path	data/cora.pkl	数据集路径
--output-path	result.json	预测结果输出路径
--seed	42	随机种子
--lr	0.01	学习率
--weight-decay	5e-4	L2 正则化系数
--epochs	200	训练轮数
--hidden-dim	256	隐层维度
--dropout	0.8	Dropout 概率
--save-dir	无（不保存）	指定目录以保存 config.json / command.txt / train.log

命令行参数优先级高于配置文件。

使用 --save-dir 可保存运行产物：

python gcn.py --save-dir outputs
# 生成 outputs/config.json  outputs/command.txt  outputs/train.log

或通过 run.sh 一键运行（自动保存到 outputs/）：

bash scripts/run.sh

评测/推理

训练完成后自动生成 result.json。也可通过 --output-path 指定输出位置。

结果说明

• 指标：分类准确率（Accuracy），即测试集上预测类别与真实标签匹配的比例
• 通过线：测试集准确率 ≥ 0.70

默认配置下的复现结果：

指标	值
验证集最佳准确率	0.8080
线上测试集准确率	0.806

验证集与线上测试集差异为 0.002，属正常波动（验证集与测试集节点分布不完全一致）。

提交

将 gcn.py 和 result.json 打包为 result.zip：

result.zip
├── gcn.py
└── result.json

项目结构

├── configs/
│   └── gcn_cora.yaml     ← 训练参数
├── scripts/
│   └── run.sh            ← 一键运行
├── data/
│   └── README.md         ← 数据集字段说明
├── outputs/               ← 运行产物（.gitignore 忽略）
├── gcn.py                ← 全部代码（单文件，可直接运行 / 提交）
├── requirements.txt
└── .gitignore

第三方引用

• Jittor — 深度学习框架
• JittorGeometric — 图神经网络库
• GCN 模型参考：Semi-Supervised Classification with Graph Convolutional Networks (Kipf & Welling, 2017)

License

MIT