我训练的是直推式的图卷积神经网络GCN

对于直推式GCN训练，控制参数量是非常重要的，我的网络大小30个节点：

不像归纳式学习训练，可以通过提升样本数量来承受巨大的模型参数量，直推式学习一次训练的目标就一个样本，是没办法承受巨大的模型参数量的。

原来的模型参数量如下：

class Net(torch.nn.Module):def __init__(self):super().__init__()self.conv1 = GCNConv(Input_L, 2000)self.conv2 = GCNConv(2000, 500)

训练时loss死活降不下去：

 

反倒是我把图中每个节点特征前10%的部分置零后，可以正常训练（我正在测试数据缺失带来的影响）：

开始怀疑是数据量和模型参数量之间的问题

---

 调整模型参数量后：

class Net(torch.nn.Module):def __init__(self):super().__init__()self.conv1 = GCNConv(Input_L, 500)self.conv2 = GCNConv(500, 100)

 loss值开始往下掉了：

置零10%也没问题：

---

VC维理论中有样本和模型复杂度匹配的公式可以参考。当然，前提是训练集得收敛，训练集都收敛不了，验证集更不可能收敛了：