PyG文档之二：快速入门

图数据常规操作

图一般被用来建模和描述目标（节点）间成对的关系（边）。在Pytorch Gemometric（以后均简称pyg）中，一个图是由torch_geometric.data.Data的一个实例来描述的，
设此图有N个节点，每个节点有n个特征，M条边，每条边有m个特征，默认情况下拥有如下的属性：

• data.x: 节点的特征矩阵，形状：[N，n]
• data.edge_index: 用COO格式储存的图数据，形状：[2,M]（如不理解没事，后面我会在栗子中详细介绍），数据类型是torch.long
  COO就是坐标,coordinate.思想也很简单，每列分别存储：行坐标，纵坐标，值。
  稀疏矩阵存储格式参考
• data.edge_attr: 边特征矩阵，形状[M，m]
• data.y: 要训练的目标（可以是任意形状），如节点级目标[节点数，*]，图级目标[1,*],此处*代表样本数量。
• data.pos: 节点位置矩阵，形状：[N,num_dimensions],在有些图中，节点是具有坐标属性，比如3D点云，每个节点都是3维空间中的一个坐标，类似的也可以是其它维度的。

这些属性都不是必须属性，实际上Data对象并不局限于这些属性。例如：我们可以通过data.face来扩展它，用以保存形状为[3，num_Faces]（数据类型为torch.long）的三维网格中三角形的连通性。

栗子1：实例化一个data

用一个具有三个节点和四个边的无加权和无向图的简单示例。每个节点只包含一个特征:

import torch
from torch_geometric.data import Data
#以列为单位，比如第一列：0，1 表示节点0到节点1的边：0->1，同理1，2表示边1->2,
#这样储存可以很方便储存稀疏的图。虽然这个图只有2条边，但是为了统一无向图和有向图的存储，
#因此需要每条边存2个方向。
edge_index = torch.tensor([[0, 1, 1, 2],
                           [1, 0, 2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=to