PyTorch Geometric(PYG)入门指南_如何在pyg上获取元路径实例

PyTorch Geometric入门指南

pytorch geometric是基于pytorch框架封装的图神经网络库，相比于DGL库更加便利，符合pytorch开发规范，拥有pytorch基础，更易于使用。pytorch基础请移步pytorch训练CNN

1.数据类型介绍

• 类比于pytorch，pyg拥有同样名称的库用于构建网络和处理数据：

• PyTorch Geometric中的一个图由的实例描述torch_geometric.data.Data，默认情况下具有以下属性：

  1. data.x：具有形状的节点特征矩阵 [num_nodes, num_node_features]
     
       例如上图，有三个节点，每个节点有两个属性，则x大小为[3,2]
      
  2. data.edge_index： 具有形状和类型的COO格式的图形连接[2, num_edges]torch.long
      
       图结构都有邻接关系，一般使用邻接矩阵，为了方便计算，pyg采用COO为默认形式：
     
       即对邻接矩阵按顺序读取非零元素，记录其行列值；

   

  3. data.edge_attr： 具有形状的边缘特征矩阵 [num_edges, num_edge_features]
      
       data.edge_index表示无权情况的邻接矩阵，但是当图是有权值或双向表示时，需要映射存储相应边的权值，即data.edge_attr；
      
  4. data.y： 要训练的目标（可以具有任意形状），例如，形状的节点级目标或形状的图形级目标[num_nodes, *][1, *]
      
      表示训练之后结果矩阵，例如最常用的分为几类，one-hot编码形式
      
  5. data.pos： 具有形状的节点位置矩阵 [num_nodes, num_dimensions]
      
       此属性针对具有位置信息的节点，例如点云数据

2.训练过程

• 过程与pytorch训练其他网络，结构一模一样，例如官方教程给的例子，可对比CNN结构：

1. 加载Cora数据集：

from torch_geometric.datasets import Planetoid

dataset = Planetoid(root='/tmp/Cora', name='Cora')
>>> Cora()

1
2
3
4
5

2. 构建网络，现在实现一个两层的GCN等图网络：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index

        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)

        return F.log_softmax(x, dim=1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

3. CPU上训练200次；(其中mask指掩膜映射，train代表训练集，test代表测试集，此示例数据集自带，实际使用可自定义或直接拆分使用)

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Net().to(device)
data = dataset[0].to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)


for epoch in range(200):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()
1
2
3
4
5
6
7
8
9
10
11
12

4. 测试

_, pred = model(data).max(dim=1)
correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
acc = correct / int(data.test_mask.sum())
print('Accuracy: {:.4f}'.format(acc))
>>> Accuracy: 0.8150
1
2
3
4
5