easyGnn: Cora Node Classification with GCN

本项目基于 Jittor 和 JittorGeometric 实现两层 GCN，用于完成 Cora 图节点分类任务。代码入口为 gcn.py，运行后会训练模型、打印训练集/验证集准确率，并导出测试集预测结果 result.json。

环境安装

推荐环境：

• Python 3.8 或更高版本
• Jittor
• JittorGeometric
• NumPy
• CUDA 环境，脚本中默认启用 jt.flags.use_cuda = 1

安装依赖示例：

pip install numpy
pip install jittor

jittor_geometric 请按照比赛环境或 JittorGeometric 官方安装方式配置。如果比赛平台已经预装 Jittor/JittorGeometric，可直接使用平台环境运行。

如需指定 C++ 编译器，当前代码中使用：

os.environ["cc_path"] = "/usr/bin/g++-11"

如果本地环境编译器路径不同，请在 gcn.py 中按实际环境修改该路径。

数据准备

请将数据文件 cora.pkl 放到代码中配置的数据根目录下，或者自行修改数据读取路径。当前 gcn.py 使用的数据根目录为：

/data/zt/jitor/data

期望目录结构如下：

/data/zt/jitor/data/
├── cora.pkl
└── result/

其中 result/ 用于保存最终预测文件。如果目录不存在，请先创建：

mkdir -p /data/zt/jitor/data/result

cora.pkl 为 pickle 格式，包含以下字段：

字段	类型	说明
x	numpy array	节点特征矩阵
y	numpy array	节点标签，测试集标签可能为 -1
edge_index	numpy array	COO 格式边索引，形状为 [2, num_edges]
train_mask	numpy bool array	训练集节点掩码
val_mask	numpy bool array	验证集节点掩码
test_mask	numpy bool array	测试集节点掩码
num_classes	int	类别数
num_features	int	输入特征维度

数据集原始文件不应提交到仓库。

训练

在项目根目录运行：

python gcn.py

脚本会自动完成以下流程：

• 加载 cora.pkl
• 对节点特征做按行归一化
• 对图边做 GCN 归一化，并转换为 CSC/CSR 稀疏格式
• 训练两层 GCN 模型
• 每 20 个 epoch 打印训练集准确率和当前最优验证集准确率

当前主要训练参数：

参数	当前值
随机种子	42
训练轮数	199
隐藏层维度	512
Dropout	0.7
学习率	0.005
Weight decay	5e-4

评估/推理

训练完成后，脚本会使用训练后的模型对所有节点做推理，并根据 test_mask 导出测试集节点预测结果。

输出文件路径：

/data/zt/jitor/data/result/result.json

输出格式为 JSON 字典：

{
  "1708": 3,
  "1709": 1
}

其中 key 为测试集节点编号，value 为预测类别编号。

结果说明

脚本使用准确率作为评价指标：

accuracy = 正确预测节点数 / 参与评估节点数

训练过程中打印的 Train Acc 为训练集准确率，Val Acc 为验证集准确率。最终线上结果以提交的 result.json 为准。由于随机初始化、运行环境和 CUDA 算子差异，复现实验结果可能存在轻微波动。

可复现性说明

代码中通过以下语句固定随机种子：

jt.misc.set_global_seed(42)

为了复现结果，请保持相同的数据文件、依赖版本、随机种子、训练参数和运行环境。

文件说明

easyGnn/
├── gcn.py        # 训练、验证和测试集预测导出入口
├── README.md     # 项目说明文档
└── .gitignore    # Git 忽略规则