【PyG学习入门】二：入门时遇到的问题

【PyG学习入门】一：入门使用

在上一篇的介绍中，主要讲了Pytorch-Geometric的五个基础用例，但是其中存在一些问题还没有解决，下面开始一一解决，本文的重点是如何手动加载PyG的数据集。

1.关于创建Data实例时，维度异常的问题

问题描述：
在Data创建过程中，edge_index表示边的信息，x为节点的特征向量，y为目标值，如果y的维度（[num_nodes, *]）和节点总数的维度是一样的，那就是node-level；如果y的维度是[1,*]，那就是graph-level。但是如果y的维度不符合上述的两种情况，在创建过程会如何？
解决方案：

### Q1: X维度和Y的维度不统一
import torch
from torch_geometric.data import Data

# 构建边
edge_index = torch.tensor([
    [3, 1, 1, 2],
    [1, 3, 2, 1]], dtype=torch.long)
# 构建X
x = torch.tensor([[-1],
                  [0],
                  [1],[2]], dtype=torch.float)
y = torch.tensor([[1], [2], [3]], dtype=torch.float)
data = Data(x=x, y=y, edge_index=edge_index)

print(data)

如代码所示，其中节点共有3个，但是我创建了4个节点的特征向量和5个目标值，运行代码后没有出现错误，所以可以得知Data实例化的过程中，是不会检查数据是否合理的，只是单纯的构建了一个复杂数据类型而已。

2.如何加载自己下载的数据集

问题描述：
在使用Dataset进行数据集的创建时，经常会出现HttpError这种样子的错误，所以手动下载数据集之后，再利用PyG的函数进行构建，但是这个方式目前还没有找到官方的接口，所以要从源码的角度来处理。
解决方案：
这里用Cora数据集进行实验，在planetoid.py文件中可以看到代码的下载地址为：

url = 'https://github.com/kimiyoung/planetoid/raw/master/data'

该文件内定义了一个类：

class Planetoid(InMemoryDataset):

里面有有一个download函数用于下载数据集：

def download(self):
    for name in self.raw_file_names:
        download_url('{}/{}'.format(self.url, name), self.raw_dir)

调用函数download_url指定下载地址和下载后存放的目录，其中下载的列表为：

@property
def raw_file_names(self):
    names = ['x', 'tx', 'allx', 'y', 'ty', 'ally', 'graph', 'test.index']
    return ['ind.{}.{}'.format(self.name.lower(), name) for name in names]

其中一共有八个文件。除了download函数还有一个process函数：

def process(self):
    data = read_planetoid_data(self.raw_dir, self.name)
    data = data if self.pre_transform is None else self.pre_transform(data)
    torch.save(self.collate([data]), self.processed_paths[0])

第一行代码中的read_planetoid_data函数是进行数据的加载并且切分出训练集、验证集、测试集，构造为Data实例：

data = Data(x=x, edge_index=edge_index, y=y)
data.train_mask = train_mask
data.val_mask = val_mask
data.test_mask = test_mask

第二行代码表示是否进行pre_transform操作（也就是是否进行一次数据转换，一般3D点云数据比较常见）；第三行利用torch.save进行本地序列化。经过上面的一段分析，可以确定的是首先进行数据集下载，然后进行处理最后保存到本地一个新的序列化文件，所以只需要在下载过程跳过即可，但是考虑到这么一点，在之前学习的过程中，可以发现，当你第一次创建完数据集（下载到本地）之后，第二次时间比较短，所以一定存在防覆盖机制来优化程序运行速度，于是在download_url函数中找到了这一块代码：

if osp.exists(path):  # pragma: no cover
    if log:
        print('Using exist file', filename)
    return path

所以总结一下：
（1）根据URL下载自己的数据集；
（2）放到本地文件夹中，格式为：

其中Cora文件夹是根目录，processed是处理后torch.save的，所以自己下载的数据放在raw文件夹中；
（3）调用Dataset中的接口创建数据集即可。

from torch_geometric.datasets import Planetoid

dataset = Planetoid(root='data/', name='Cora')
print(dataset)

输出信息为：

Processing...
Done!
Cora()

之前GCNModel的acc为：

Accuracy: 0.8080