当我运行Stellargraph关于使用DGCNN进行图分类演示时，得到的结果与演示中相同。

然而，当我首先使用以下代码打乱数据时，测试结果却有所不同：

shuffler = list(zip(graphs, graph_labels))random.shuffle(shuffler)graphs, graph_labels = zip(*shuffler)

模型完全没有学习（准确率约为50% – 与数据分布一致）。

有谁知道为什么会这样吗？可能是我的打乱方式不对？还是说数据本来就不应该打乱（如果是这样，为什么呢？这似乎没有道理）？或者这是Stellargraph实现中的一个bug？

回答：

我找到了问题所在。问题与打乱算法或Stellargraph的实现无关。问题出在演示中的以下几行代码：

train_gen = gen.flow(    list(train_graphs.index - 1),    targets=train_graphs.values,    batch_size=50,    symmetric_normalization=False,)test_gen = gen.flow(    list(test_graphs.index - 1),    targets=test_graphs.values,    batch_size=1,    symmetric_normalization=False,)

问题具体是由train_graphs.index - 1和test_graphs.index - 1引起的。索引已经在0到n的范围内，因此从中减去1会导致图数据“向后移动”一个位置，使得每个数据点获得了另一个数据点的标签。

要解决这个问题，只需将它们改为train_graphs.index和test_graphs.index，去掉末尾的-1即可。