jittor-warmup

该项目使用 Jittor 和 JittorGeometric 实现了一个用于 Cora 节点分类任务的 GCN 基线模型。主程序为 gcn.py，运行后会读取 data/cora.pkl，完成训练与验证，并生成测试集预测结果 result.json。

1. 文件结构

./
├── data/
│   └── cora.pkl
├── gcn.py
├── README.md
└── result.json

各文件作用如下：

• gcn.py：主程序，包含数据加载、图归一化、GCN 模型定义、训练、验证和预测导出。
• data/cora.pkl：Cora 数据集的序列化文件。
• result.json：模型对测试集节点的预测结果。
• README.md：项目说明文档。

2. 数据说明

脚本默认从相对路径 data/cora.pkl 读取数据。该文件是一个 pickle 文件，包含以下字段：

字段名	形状 / 类型	说明
x	(2708, 1433) float32	节点特征矩阵
y	(2708,) int64	节点标签
edge_index	(2, 10858) int64	图的边索引
train_mask	(2708,) bool	训练集掩码，共 140 个节点
val_mask	(2708,) bool	验证集掩码，共 500 个节点
test_mask	(2708,) bool	测试集掩码，共 1000 个节点
num_features	int	特征维度，值为 1433
num_classes	int	类别数，值为 7

代码中的数据处理流程如下：

• 对输入特征做按行归一化。
• 使用 gcn_norm 对图结构进行归一化，并添加自环。
• 将 COO 图结构转换为 CSC 和 CSR 格式，供 GCNConv 使用。

3. 运行方式

python gcn.py

程序运行后将会：

1. 加载 data/cora.pkl
2. 训练 3 层 GCN 模型
3. 根据验证集最优结果进行 early stopping
4. 生成测试集预测文件 result.json

当前脚本中使用的主要超参数为：

• seed=42
• HIDDEN_DIM = 256
• DROPOUT = 0.85
• GCN_LAYERS = 3
• LEARNING_RATE = 0.005
• WEIGHT_DECAY = 5e-4
• MAX_EPOCHS = 200
• PATIENCE = 80

输出文件 result.json 的格式示例：

{
  "1": 3,
  "2": 6,
  "6": 5
}

其中键为测试节点编号，值为预测类别。

4. 运行环境

依赖要求

代码中直接依赖以下库：

• Python
• jittor
• jittor_geometric
• numpy

推荐环境：

• Python 3.10 或 Python 3.11
• 正常可用的 Jittor
• 已正确安装的 JittorGeometric
• numpy

当前终端中尚未安装或无法导入：

• jittor
• jittor_geometric

因此如需运行本项目，需要先完成这两个库的安装。安装方式建议参考官方文档：

• Jittor: https://github.com/Jittor/jittor
• JittorGeometric: https://github.com/AlgRUC/JittorGeometric

5. 补充说明

• 代码会自动检测是否存在 CUDA，并通过 jt.flags.use_cuda 控制是否使用 GPU。
• 随机种子固定为 42，便于复现结果。
• 运行时请确保命令执行目录下存在 data/cora.pkl，否则会因相对路径找不到数据文件而报错。