--- check_pkl.py 用于数据预处理 --- train.py用于模型训练 --- model.py是sage模型（实际使用的模型） --- gat_model.py是GAT模型 --- 其余代码是RPLAN-Toolbox-master1的代码 --- RPLAN-Toolbox-master1\RPLAN-Toolbox-master\data下放训练数据 --- 代码执行顺序：batch_tf.py数据预处理 check_pkl.py数据预处理及打包 train.py模型训练和测试 --- python>=3.7 --- matlab (for alignment) --- numpy, scipy, scikit-image, matplotlib --- shapely (for visualization) ---faiss (Linux only, for clustering) ---dgl 方案1： 对边数量不足15的图（graph）补全，填充内容是已有的边。 eg. old: src = [0123456542] dst = [5236102153] edge = [0123203102] new : src = [0123456542 01234] dst = [5236102153 52361] edge = [0123203102 01232] 方案2： 对边数量不足15的图（graph）补全，填充内容是4(表示相同的节点的重叠关系，此时有5种边)。 eg. old: src = [0123456542] dst = [5236102153] edge = [0123203102] new : src = [0123456542 00000] dst = [5236102153 00000] edge = [0123203102 44444] batchsize = 64 (太大内存不够用) enpochs = 2000(实际训练20-80轮左右就变化不大了) loss：交叉熵损失 在loss上增加L2（L1）正则化（实验中两者好像没有太大区别） 优化器：adam 学习率0.00001 使用StepLR动态调整学习率，每200个batch，学习率变为原来的0.9倍 train loss: 每个batch记录一次
ver loss（验证集）:每个batch记录一次
train accurancy: 统计每个batch里的所有图的所有边数，作为分母， 统计对这个batch预测的结果中正确的边的个数，作为分子 两者的比值作为accurancy
ver accurancy(验证集):统计每个batch里的所有图的所有边数，作为分母， 统计对这个batch预测的结果中正确的边的个数，作为分子 两者的比值作为accurancy
test accurancy（测试集）:统计所有batch里的所有图的所有边数，作为分母， 统计对所有batch预测的结果中正确的边的个数，作为分子 两者的比值作为accurancy