TrustGeo代码理解（一）main.py

代码链接：https://github.com/ICDM-UESTC/TrustGeo

一、导入各种模块和数据库

# -*- coding: utf-8 -*-
import torch.nnfrom lib.utils import *
import argparse, os
import numpy as np
import random
from lib.model import *
import copy
from thop import profile
import pandas as pd

整体功能是准备运行一个 PyTorch 深度学习模型的环境，具体的功能实现需要查看 lib.utils、lib.model 中的代码，以及整个文件的后续部分。

1、# -*- coding: utf-8 -*-：指定脚本的字符编码为UTF-8。

2、import torch.nn：导入 PyTorch 的神经网络模块，用于定义和训练神经网络。

3、from lib.utils import *：从 lib.utils 模块中导入所有内容，这可能包括一些工具函数或辅助函数，用于该脚本或项目的其他部分。

4、import argparse, os：导入 argparse 模块用于解析命令行参数，os 模块用于与操作系统交互。

5、import numpy as np：导入 NumPy 库，用于进行科学计算，特别是多维数组的处理。

6、import random：导入 random 模块，用于生成伪随机数。

7、from lib.model import *：从 lib.model 模块中导入所有内容，这可能包括定义神经网络模型的类等。

8、import copy：导入 copy 模块，用于复制对象，通常用于创建对象的深拷贝。

9、from thop import profile：从 thop 模块中导入 profile 函数，该函数用于计算 PyTorch 模型的 FLOPs（浮点运算数）和参数数量。（在代码链接中没有找到）

10、import pandas as pd：导入 Pandas 库，用于数据处理和分析，通常用于处理表格型数据。

二、参数初始化（通过命令行参数）

parser = argparse.ArgumentParser()
# parameters of initializing
parser.add_argument('--seed', type=int, default=2022, help='manual seed')
parser.add_argument('--model_name', type=str, default='TrustGeo')
parser.add_argument('--dataset', type=str, default='New_York', choices=["Shanghai", "New_York", "Los_Angeles"],help='which dataset to use')

这部分代码的目的是通过命令行参数设置一些初始化的参数，例如随机数种子、模型名称和数据集名称。这使得在运行脚本时可以通过命令行参数来指定这些参数的值。

1、parser = argparse.ArgumentParser()：创建一个 argparse.ArgumentParser 对象，用于解析命令行参数。

2、# parameters of initializing：注释，表示接下来是初始化参数的部分。

3、parser.add_argument('--seed', type=int, default=2022, help='manual seed')：添加一个命令行参数，名称为 '--seed'，表示随机数种子，类型为整数，默认值为 2022，help 参数是在命令行中输入 --help 时显示的帮助信息。

4、parser.add_argument('--model_name', type=str, default='TrustGeo')：添加一个命令行参数，名称为 '--model_name'，表示模型的名称，类型为字符串，默认值为 'TrustGeo'。

5、parser.add_argument('--dataset', type=str, default='New_York', choices=["Shanghai", "New_York", "Los_Angeles"], help='which dataset to use')：添加一个命令行参数，名称为 '--dataset'，表示数据集的名称，类型为字符串，默认值为 'New_York'，choices 参数指定了可选的值为 ["Shanghai", "New_York", "Los_Angeles"]，用户只能从这三个值中选择。help 参数是在命令行中输入 --help 时显示的帮助信息。

三、训练过程参数设置

# parameters of training
parser.add_argument('--beta1', type=float, default=0.9)
parser.add_argument('--beta2', type=float, default=0.999)
parser.add_argument('--lambda1', type=float, default=7e-3)
parser.add_argument('--lr', type=float, default=5e-3)
parser.add_argument('--harved_epoch', type=int, default=5) 
parser.add_argument('--early_stop_epoch', type=int, default=50)
parser.add_argument('--saved_epoch', type=int, default=200)

这部分代码的目的是设置一些训练过程中的超参数，例如优化器的动量参数、学习率、权重参数等。这些参数在训练过程中会影响模型的更新和收敛速度。

1、# parameters of training：注释，表示接下来是训练参数的部分。

2、parser.add_argument('--beta1', type=float, default=0.9)：添加一个命令行参数，名称为 '--beta1'，表示 Adam 优化器的第一个动量（momentum）参数，类型为浮点数，默认值为 0.9。

3、parser.add_argument('--beta2', type=float, default=0.999)：添加一个命令行参数，名称为 '--beta2'，表示 Adam 优化器的第二个动量参数，类型为浮点数，默认值为 0.999。

4、parser.add_argument('--lambda1', type=float, default=7e-3)：添加一个命令行参数，名称为 '--lambda1'，表示某个权重参数，类型为浮点数，默认值为 7e-3。

5、parser.add_argument('--lr', type=float, default=5e-3)：添加一个命令行参数，名称为 '--lr'，表示学习率，类型为浮点数，默认值为 5e-3。

6、parser.add_argument('--harved_epoch', type=int, default=5)：添加一个命令行参数，名称为 '--harved_epoch'，表示某个 epoch 的值，类型为整数，默认值为 5。

7、parser.add_argument('--early_stop_epoch', type=int, default=50)：添加一个命令行参数，名称为 '--early_stop_epoch'，表示早停（early stop）的 epoch 数，类型为整数，默认值为 50。

8、parser.add_argument('--saved_epoch', type=int, default=200)：添加一个命令行参数，名称为 '--saved_epoch'，表示保存模型的 epoch 数，类型为整数，默认值为 200。

四、模型参数设置

# parameters of model
parser.add_argument('--dim_in', type=int, default=30, choices=[51, 30], help="51 if Shanghai / 30 else")opt = parser.parse_args()
print("Learning rate: ", opt.lr)
print("Dataset: ", opt.dataset)

这部分代码的目的是解析命令行参数，并打印出学习率和数据集名称。--dim_in 参数用于指定输入维度，可以选择是 51 或者 30。

1、# parameters of model：注释，表示接下来是训模型参数的部分。

2、parser.add_argument('--dim_in', type=int, default=30, choices=[51, 30], help="51 if Shanghai / 30 else")：添加一个命令行参数，名称为 '--dim_in'，表示输入的维度，类型为整数，默认值为 30。choices 参数指定了可选的值为 [51, 30]，用户只能从这两个值中选择。help 参数是在命令行中输入 --help 时显示的帮助信息。

3、opt = parser.parse_args()：使用 argparse 解析命令行参数，将结果存储在 opt 变量中。

4、print("Learning rate: ", opt.lr)：打印学习率，即 opt 对象中的 lr 属性。

5、print("Dataset: ", opt.dataset)：打印数据集名称，即 opt 对象中的 dataset 属性。

五、设置随机种子数

if opt.seed:print("Random Seed: ", opt.seed)random.seed(opt.seed)torch.manual_seed(opt.seed)
torch.set_printoptions(threshold=float('inf'))

这一部分的目的是确保在使用随机数的场景中，每次运行程序得到的随机结果是可复现的。通过设置相同的随机数种子，可以使得每次运行得到相同的随机数序列。

1、如果 opt 对象中的 seed 属性存在（不为 0 或 False 等假值），则执行以下操作：

打印随机数种子的信息。
使用 random 模块设置 Python 内建的随机数生成器的种子。
使用 PyTorch 的 torch 模块设置随机数种子。

2、torch.set_printoptions(threshold=float('inf'))：设置 PyTorch 的打印选项，将打印的元素数量限制设置为无穷大，即不限制打印的元素数量。这样可以确保在打印张量时，所有元素都会被打印出来，而不会被省略。

六、过滤所有警告信息

warnings.filterwarnings('ignore')

过滤掉所有警告信息，将警告信息忽略。这通常用于在代码中避免显示一些不影响程序执行的警告信息，以保持输出的清晰。在某些情况下，警告信息可能是有用的，但如果明确知道这些警告对程序执行没有影响，可以选择忽略它们。

七、动态选择运行环境

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print("device:", device)
cuda = True if torch.cuda.is_available() else False
Tensor = torch.cuda.FloatTensor if cuda else torch.FloatTensor

这部分代码的目的是根据硬件环境动态选择运行模型的设备，并选择相应的 PyTorch 张量类型。如果有可用的 GPU，就使用 GPU 运行模型和 GPU 张量类型；否则，使用 CPU 运行模型和 CPU 张量类型。

1、device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')：创建一个 PyTorch 设备对象，表示运行模型的设备。如果 CUDA 可用（即有可用的 GPU），则使用 'cuda:0' 表示第一个 GPU，否则使用 'cpu' 表示 CPU。

2、print("device:", device)：打印设备的信息，即使用的是 GPU 还是 CPU。

3、cuda = True if torch.cuda.is_available() else False：根据 CUDA 是否可用设置一个布尔值，表示是否使用 GPU。如果 CUDA 可用，则 cuda