Jittor GCN Cora 节点分类

本项目基于 Jittor 和 JittorGeometric 实现两层图卷积网络（GCN），用于 Cora 引文网络的节点分类任务。

代码包含数据加载、特征归一化、GCN 模型训练、验证集评估，以及测试节点预测结果导出流程。

项目结构

.
├── src/
│   └── gcn.py          # GCN 训练、验证与预测脚本
├── data/
│   └── README.md       # 数据说明；cora.pkl 不上传
├── outputs/            # 运行生成的结果目录，不上传
├── requirements.txt    # Python 依赖
├── .gitignore
├── LICENSE
└── README.md

环境安装

建议使用 Python 3.8 或更高版本。

pip install -r requirements.txt

Jittor 与 JittorGeometric 的安装请参考官方说明：

• Jittor
• JittorGeometric

本代码默认启用 CUDA。若没有 NVIDIA GPU 或 CUDA 环境，请根据本机环境修改 src/gcn.py 中的 jt.flags.use_cuda 配置。

数据准备

从比赛平台下载 cora.pkl，并放置为：

data/cora.pkl

数据文件不包含在本仓库中。

数据包含以下主要字段：

字段	说明
x	节点特征矩阵，形状为 (2708, 1433)
y	节点标签；测试集节点标签为 -1
edge_index	图的边索引，形状为 (2, num_edges)
train_mask	训练集节点掩码
val_mask	验证集节点掩码
test_mask	测试集节点掩码
num_classes	类别数，数值为 7
num_features	特征维度，数值为 1433

训练与验证

在项目根目录运行：

python src/gcn.py

脚本固定随机种子为 42，默认训练 200 个 epoch，并每 20 个 epoch 输出训练集准确率和当前最佳验证集准确率。

推理结果

训练结束后，脚本会预测测试节点的类别，并输出：

outputs/result.json

该文件使用 JSON 格式保存，键为测试节点编号，值为预测类别。

模型配置

• 模型：两层 GCN
• 隐藏层维度：256
• Dropout：0.8
• 优化器：Adam
• 学习率：0.01
• 权重衰减：5e-4
• 训练轮数：200
• 随机种子：42

结果说明

训练过程中以验证集准确率（Validation Accuracy）作为主要指标。由于测试集标签在 cora.pkl 中为 -1，本地不能计算测试集准确率，仅生成测试节点的预测结果。

第三方资源

• Jittor：深度学习框架。
• JittorGeometric：图神经网络工具库。
• Cora 数据集：由比赛平台提供。

使用本项目时，请遵守比赛规则、数据集许可和第三方项目许可证。