一、舉例介紹

1踱启、圖數(shù)據(jù)的處理

PyG 中的單個圖由 torch_geometric.data.Data的實例描述，默認情況下它包含以下屬性：

• data.x: 以 [num_nodes, num_node_features]形式描述的節(jié)點特征矩陣
• data.edge_index: COO 格式的圖形連接，形狀為 [2, num_edges]请垛，類型為 torch.long搪搏。

COO 格式：PyTorch 實現(xiàn)了所謂的坐標(biāo)格式或 COO 格式狭握，作為實現(xiàn)稀疏張量的存儲格式之一，在 COO 格式中疯溺，指定的元素存儲為元素索引和相應(yīng)值的元組论颅“タ眩可以通過向函數(shù) torch.sparse_coo_tensor() 提供索引和值這兩個張量以及稀疏張量的大小（當(dāng)無法從索引和值張量推斷時）來構(gòu)造稀疏 COO 張量恃疯。假設(shè)我們要定義一個稀疏張量漏设，其中條目 3 位于位置 (0, 2)，條目 4 位于位置 (1, 0)今妄，條目 5 位于位置 (1, 2)郑口。 未指定的元素被假定具有相同的值，填充值盾鳞，默認為零犬性。 然后我們會寫：

>>> i = [[0, 1, 1],
         [2, 0, 2]]
>>> v =  [3, 4, 5]
>>> s = torch.sparse_coo_tensor(i, v, (2, 3))
>>> s
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3, 4, 5]),
       size=(2, 3), nnz=3, layout=torch.sparse_coo)
>>> s.to_dense()
tensor([[0, 0, 3],
        [4, 0, 5]])

torch.long是PyTorch中的一個數(shù)據(jù)類型，它表示64位整數(shù)類型腾仅。它在PyTorch中用于表示整數(shù)張量乒裆。

• data.edge_attr: 形狀為[num_edges, num_edge_features] 的邊的特征矩陣
• data.y: 訓(xùn)練目標(biāo)（可能具有任意形狀）, e.g., node-level targets of shape [num_nodes, *] or graph-level targets of shape [1, *]
• data.pos: 形狀為[num_nodes, num_dimensions] 的節(jié)點位置矩陣

注意：這些屬性都不是必需的，事實上推励，Data 對象甚至不限于這些屬性鹤耍。
以下展示了一個具有三個節(jié)點和四個邊的未加權(quán)無向圖的簡單示例,每個節(jié)點只包含一個特征：

import torch
from torch_geometric.data import Data
edge_index = torch.tensor([[0, 1, 1, 2],
                           [1, 0, 2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
data = Data(x=x, edge_index=edge_index)
>>> Data(edge_index=[2, 4], x=[3, 1])

import torch
from torch_geometric.data import Data
edge_index = torch.tensor([[0, 1],
                           [1, 0],
                           [1, 2],
                           [2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
data = Data(x=x, edge_index=edge_index.t().contiguous())
>>> Data(edge_index=[2, 4], x=[3, 1])

注意： 為了最終的數(shù)據(jù)表示盡可能緊湊跌造，edge_index 中的元素必須僅保存 { 0, ..., num_nodes - 1} 范圍內(nèi)的索引杆怕。例如，我們希望分別通過 x[0] 和 x[1] 索引第一條邊 (0, 1) 的源節(jié)點特征和目標(biāo)節(jié)點特征壳贪，可以通過運行validate()檢查最終的 Data 對象是否滿足這些要求财著。
除了擁有許多節(jié)點級、邊級或圖級屬性之外撑碴，數(shù)據(jù)還提供了許多有用的實用函數(shù),例如：

data.num_nodes
>>> 3
data.num_edges
>>> 4
data.num_node_features
>>> 1
data.has_isolated_nodes()
>>> False
data.has_self_loops()
>>> False
data.is_directed()
>>> False
……
#You can find a complete list of all methods at [`torch_geometric.data.Data`]

2撑教、通用基準數(shù)據(jù)集

PyG包含大量常見的基準數(shù)據(jù)集,例如小行星數(shù)據(jù)集、圖形分類數(shù)據(jù)集等等醉拓。初始化數(shù)據(jù)集很簡單伟姐，數(shù)據(jù)集的初始化將自動下載其原始文件并將其處理為前面描述的數(shù)據(jù)格式，例如酶數(shù)據(jù)集亿卤， （由 6 個類中的 600 個圖表組成）：

from torch_geometric.datasets import TUDataset
datasets = TUDataset(root='/tmp/ENZYMES', name='ENZYMES')
datasets.num_classes
#6
datasets.num_node_features
#3
data = datasets[0]
data
>>> Data(edge_index=[2, 168], x=[37, 3], y=[1])
# 包含37 個節(jié)點,每一個含有3個特征愤兵；
# 有 168/2 = 84 條無向邊，并且該圖恰好分配給一類排吴；
# 此外秆乳，數(shù)據(jù)對象恰好持有一個圖級目標(biāo)。

可以使用切片、長張量或布爾張量來分割數(shù)據(jù)集屹堰，例如肛冶，要創(chuàng)建 90/10 的訓(xùn)練/測試分割，輸入：

train_dataset = dataset[:540]
>>> ENZYMES(540)
test_dataset = dataset[540:]
>>> ENZYMES(60)
# 如果不確定數(shù)據(jù)集在分割之前是否已經(jīng)打亂,可以使用shuffle
dataset = dataset.shuffle()
#注意這一句代碼和以下代碼的得到的結(jié)果一致
perm = torch.randperm(len(dataset))
dataset = dataset[perm]

3扯键、Mini-batches

神經(jīng)網(wǎng)絡(luò)通常以批量方式進行訓(xùn)練睦袖。PyG 通過創(chuàng)建稀疏塊對角鄰接矩陣（由 edge_index 定義）并在節(jié)點維度中連接特征和目標(biāo)矩陣，實現(xiàn)小批量的并行化荣刑。這種組合允許在一批示例中使用不同數(shù)量的節(jié)點和邊馅笙，

from torch_geometric.datasets import TUDataset
from torch_geometric.loader import DataLoader
dataset = TUDataset(root='/tmp/ENZYMES', name='ENZYMES', use_node_attr=True)
loader = DataLoader(dataset, batch_size=32, shuffle=True)
for batch in loader:
    batch
 >>> DataBatch(batch=[1082], edge_index=[2, 4066], x=[1082, 21], y=[32])
    batch.num_graphs
 >>> 32

torch_geometric.data.Batch繼承自torch_geometric.data.Data并包含一個名為batch的附加屬性,batch是一個是一個列向量董习，將每個節(jié)點映射到batch中各自的圖。

4爱只、數(shù)據(jù)Transform

Transform是 torchvision 中變換圖像和執(zhí)行增強的常用方法阱飘。PyG 帶有自己的Transform，它期望一個 Data 對象作為輸入并返回一個新的轉(zhuǎn)換后的 Data 對象虱颗。Transforms can be chained together using [torch_geometric.transforms.Compose] and are applied before saving a processed dataset on disk (pre_transform) or before accessing a graph in a dataset (transform).

5、圖的學(xué)習(xí)方法

將使用一個簡單的 GCN 層并在 Cora 引文數(shù)據(jù)集上復(fù)制實驗

#首先需要加載 Cora 數(shù)據(jù)集
from torch_geometric.datasets import Planetoid
dataset = Planetoid(root='/tmp/Cora', name='Cora')
import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
#其中包含了2個GCNConv層（圖卷積層）和一個前向傳播方法蔗喂。
class GCN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        #它接收圖的節(jié)點特征數(shù)作為輸入維度
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        #它的輸入維度為16（與第一層的輸出維度相匹配）忘渔，輸出維度為圖的類別數(shù)（即標(biāo)簽的數(shù)量）。
        self.conv2 = GCNConv(16,dataset.num_classes)
    #在前向傳播方法forward中缰儿，輸入數(shù)據(jù)data包含了節(jié)點特征x和邊的索引edge_index
    def forward(self,data):
        x,edge_index = data.x,data.edge_index
        #首先畦粮，將節(jié)點特征x和邊的索引edge_index作為輸入傳遞給第一個GCNConv層self.conv1進行圖卷積操作
        x= self.conv1(x,edge_index)
        #ReLU激活函數(shù)對輸出進行非線性變換
        x = F.relu(x)
        #應(yīng)用dropout操作以防止過擬合
        x= F.dropout(x,training=self.training)
        #將結(jié)果輸入到第二個GCNConv層self.conv2進行最終的圖卷積操作
        x = self.conv2(x,edge_index)
        #對輸出結(jié)果應(yīng)用log_softmax函數(shù)，以便進行多類別分類問題的概率計算乖阵。最終宣赔，返回概率化的輸出結(jié)果。
        return F.log_softmax(x,dim=1)

###########################################################
 # 20次訓(xùn)練
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
#創(chuàng)建了一個GCN模型實例model瞪浸，并將其移動到之前確定的設(shè)備上                  
model  = GCN().to(device)
data = dataset[0].to(device)
#Data(x=[2708, 1433], edge_index=[2, 10556], y=[2708], train_mask=[2708], val_mask=[2708], test_mask=[2708])
#定義了一個Adam優(yōu)化器儒将，將模型的參數(shù)作為優(yōu)化器的參數(shù)，并設(shè)置學(xué)習(xí)率和權(quán)重衰減
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
model.train()
for epoch in range(200):
    #首先將優(yōu)化器的梯度緩存清零
    optimizer.zero_grad()
    #模型前向傳播得到輸出結(jié)果out
    out = model(data)
    #計算損失函數(shù)对蒲，這里使用了負對數(shù)似然損失函數(shù)（negative log likelihood loss）
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    #根據(jù)損失函數(shù)的梯度進行反向傳播并更新模型的參數(shù)
    loss.backward()
    optimizer.step()  
############################################################
#最后钩蚊，我們可以在測試節(jié)點上評估我們的模型
#將模型設(shè)置為評估模式,確保在模型中的一些特定層（如dropout）在評估時不會進行隨機丟棄操作，以保持一致的輸出蹈矮。
model.eval()
#通過模型對數(shù)據(jù)進行前向傳播砰逻，得到預(yù)測結(jié)果pred。使用argmax(dim=1)將預(yù)測結(jié)果轉(zhuǎn)換為每個樣本的類別標(biāo)簽
pred = model(data).argmax(dim=1)
#計算在測試集上的預(yù)測準確率泛鸟。首先蝠咆，通過使用索引掩碼data.test_mask從預(yù)測結(jié)果pred和標(biāo)簽數(shù)據(jù)data.y中提取出測試集的部分。然后，將預(yù)測正確的樣本數(shù)進行求和計算刚操。
correct = (pred[data.test_mask] == data.y[data.test_mask]).sum()
#將預(yù)測正確的樣本數(shù)除以測試集樣本的總數(shù)
acc = int(correct) / int(data.test_mask.sum())
print(f'Accuracy: {acc:.4f}')
>>> Accuracy: 0.8150(可能會不同)

參考網(wǎng)址：https://pytorch-geometric.readthedocs.io/en/latest/index.html
備注：以上內(nèi)容如有錯誤,請聯(lián)系作者闸翅。著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者