Add LICENSE
本项目为 Jittor 热身赛：基于 GCN 的 Cora 节点分类任务。代码使用 Jittor 与 JittorGeometric 实现两层 GCN，对 Cora 图数据中的节点进行分类，并生成 result.json 用于提交。
result.json
建议使用虚拟环境： python3 -m venv jg_env source jg_env/bin/activate 安装依赖： pip install -r requirements.txt
2.数据准备 -从官网上下载数据 地址https://www.educoder.net/competitions/Jittor-7 -数据文件为 cora.pkl，需要放在项目根目录下的 data 文件夹中。
3.训练 -在项目根目录下运行：python3 gcn.py
4.评测/推理 -本项目的评测和推理与训练写在同一个脚本中，运行训练命令后会自动完成推理： python3 gcn.py 脚本训练完成后会使用最终模型对所有节点进行预测，并提取 test_mask 对应节点的预测结果，保存为： result.json
5.结果说明 -本地代码主要输出训练集和验证集准确率： Epoch: 020, Train Acc: xxxx, Val Acc: xxxx … 最终结果: Val Acc: xxxx 预测结果已保存到 result.json 共预测 xxx 个测试节点 指标名称： Train Acc：训练集节点分类准确率 Val Acc：验证集节点分类准确率 准确率计算方式为：Acc = 预测正确的节点数 / 当前划分中的节点总数
版权所有：中国计算机学会技术支持：开源发展技术委员会 京ICP备13000930号-9 京公网安备 11010802032778号
jittor-warm_up2
本项目为 Jittor 热身赛：基于 GCN 的 Cora 节点分类任务。
代码使用 Jittor 与 JittorGeometric 实现两层 GCN，对 Cora 图数据中的节点进行分类，并生成
result.json用于提交。建议使用虚拟环境： python3 -m venv jg_env source jg_env/bin/activate 安装依赖： pip install -r requirements.txt
2.数据准备 -从官网上下载数据 地址https://www.educoder.net/competitions/Jittor-7 -数据文件为 cora.pkl，需要放在项目根目录下的 data 文件夹中。
3.训练 -在项目根目录下运行：python3 gcn.py
4.评测/推理 -本项目的评测和推理与训练写在同一个脚本中，运行训练命令后会自动完成推理： python3 gcn.py 脚本训练完成后会使用最终模型对所有节点进行预测，并提取 test_mask 对应节点的预测结果，保存为： result.json
5.结果说明 -本地代码主要输出训练集和验证集准确率： Epoch: 020, Train Acc: xxxx, Val Acc: xxxx … 最终结果: Val Acc: xxxx 预测结果已保存到 result.json 共预测 xxx 个测试节点 指标名称： Train Acc：训练集节点分类准确率 Val Acc：验证集节点分类准确率 准确率计算方式为：Acc = 预测正确的节点数 / 当前划分中的节点总数