jittor-分母-warmup

计图挑战赛 2026 赛道一热身赛 —— 基于 GCN 的 Cora 节点分类任务。

使用 Jittor 深度学习框架与 JittorGeometric 图神经网络库实现两层 GCN，对 Cora 引文网络进行节点分类。

1. 环境安装

系统要求

• OS: Ubuntu >= 16.04 或 WSL
• Python: >= 3.7
• C++ 编译器: g++ >= 5.4.0 或 clang >= 8.0
• GPU（可选）: CUDA >= 10.0

安装步骤

# 安装依赖
pip install -r requirements.txt

# 验证 Jittor 安装
python -m jittor.test.test_example

# 验证 JittorGeometric
python -c "from jittor_geometric.nn import GCNConv; print('OK')"

如果需要 GPU 支持，请设置环境变量：export nvcc_path="/usr/local/cuda/bin/nvcc"

Docker 方式（可选）

# CPU
docker run -it --network host -v $(pwd):/workspace jittor/jittor

# GPU
docker run -it --network host --gpus all -v $(pwd):/workspace jittor/jittor-cuda

2. 数据准备

数据集 cora.pkl 需放置于 data/ 目录下。

data/
└── cora.pkl    # Cora 引文网络数据集 (pickle 格式)

数据来源：赛题官方提供，包含 2708 个节点、5429 条边、1433 维特征、7 个类别。

详细字段说明见 data/README.md。

3. 训练

cd src/
python gcn.py --data_dir ../data --output ../results/result.json

参数说明

参数	默认值	说明
--seed	42	随机种子
--epochs	200	训练轮数
--lr	0.01	学习率
--weight_decay	5e-4	权重衰减
--hidden_dim	256	隐藏层维度
--dropout	0.8	Dropout 概率
--data_dir	data	数据目录
--output	results/result.json	输出路径
--use_cuda	1	是否使用 GPU

也可以使用一键脚本：

bash scripts/run.sh

4. 评测 / 推理

训练结束后会自动在 results/ 目录下生成 result.json，包含测试集节点的预测分类。

python src/gcn.py --data_dir ../data --output ../results/result.json

5. 结果说明

• 指标: 分类准确率 (Accuracy) = 正确预测数 / 测试集总数
• 验证集准确率: ~0.80
• 线上评测准确率: 0.806

线上评测由平台计算，将 result.json 中的预测标签与测试集真实标签对比得出准确率。本地验证集准确率与线上结果可能存在合理差异，因为验证集与测试集的数据分布不完全一致。

6. 项目结构

jittor-分母-warmup/
├── README.md              # 项目文档
├── LICENSE                # Apache-2.0 许可证
├── .gitignore
├── requirements.txt       # Python 依赖
├── src/
│   └── gcn.py             # GCN 模型定义与训练代码
├── scripts/
│   └── run.sh             # 一键运行脚本
├── data/
│   └── README.md          # 数据集说明
└── results/
    └── result.json         # 预测结果

第三方依赖与引用

• Jittor — 清华大学计图深度学习框架，Apache-2.0 许可证
• JittorGeometric — Jittor 图神经网络库，MIT 许可证