Jittor Cora Node Classification Warmup

本仓库为计图挑战赛赛道一热身赛开源代码。任务是在基于 Cora 的引文网络上进行节点分类，并为测试集节点生成 result.json。

当前 result.json 对应已提交打榜版本，线上准确率为 0.839。

环境安装

推荐环境：

Python 3.12
Jittor 1.3.10.0
jittor-geometric 2.0.0

安装依赖：

pip install -r requirements.txt

如果在比赛远程环境 /workspace/JDJT 中运行，可直接使用已经配置好的环境：

cd /workspace/JDJT/warmup-01
USE_CUDA=1 bash run_gcn.sh --config configs/default.json

数据准备

本仓库不提交原始数据文件。请将比赛发布包中的数据放到：

data/cora.pkl

数据字段包括 x、y、edge_index、train_mask、val_mask、 test_mask、num_classes 和 num_features。测试集标签在 y 中为 -1。

训练

默认训练命令：

USE_CUDA=1 bash run_gcn.sh --config configs/default.json

脚本默认读取 data/cora.pkl，训练 GCNII 模型，并将预测结果写入 result.json。主要参数在 configs/default.json 中定义：随机种子为 42，隐藏层维度为 64，层数为 64，训练最多 2000 轮，并使用验证集早停。

也可以用命令行覆盖配置，例如：

bash run_gcn.sh --config configs/default.json --epochs 10 --output outputs/debug_result.json

如果当前环境没有可用 GPU，可使用 CPU smoke test 检查数据读取、训练和结果写出流程：

USE_CUDA=0 bash run_gcn.sh \
  --config configs/default.json \
  --model appnp_cpu \
  --use-cuda 0 \
  --epochs 1 \
  --log-interval 1 \
  --output outputs/smoke_result.json

该 CPU 后端仅用于无 GPU 环境验证流程，线上 0.839 结果对应默认 GCNII 配置。

评测与推理

训练结束后脚本会生成测试集预测文件：

result.json

本热身赛不需要单独加载 checkpoint；推理在训练结束后直接对测试集节点生成预测。若只需要生成提交压缩包，可运行：

python zip_results.py

生成的 result.zip 包含 gcn.py 和 result.json，符合热身赛提交格式。

结果说明

线上评测指标为测试集分类准确率 Accuracy。由于测试集真实标签隐藏，本地日志仅输出训练集和验证集准确率；最终成绩以线上评测为准。

仓库中的 result.json 是当前提交预测结果，包含 1000 个测试节点预测。该文件来自比赛打榜提交包中的结果文件。

开源说明

不提交 data/cora.pkl、模型权重、日志和 result.zip。
第三方依赖包括 Jittor、JittorGeometric 和 NumPy。
代码基于比赛提供的热身赛框架完成，主要模型为 GCNII。