pyG学习笔记

工欲善其事，必先利其器！

零、pyG学习笔记

pyg：PyG 核心团队共有 6 位成员，包括多特蒙德工业大学四年级图机器学习博士生 Matthias Fey、多特蒙德工业大学博士生 Jan Eric Lenssen（核心贡献者）和图网络领域大牛 & 斯坦福计算机科学副教授 Jure Leskovec（担任顾问）。另外，还有三名斯坦福大学的博士。
pyG介绍连接地址：
dgl:纽约大学和亚马逊联合发布
pgl:百度paddle的图学习库
codgl:清华大学推出的图算法库

学习资料汇总

官方稳定版本文档
CS224W同济子豪兄精讲视频资料

例子介绍

Introduction by Example
PyG provides the following main features: （pygG具有以下特性：）

• Data Handling of Graphs （图数据处理）
• Common Benchmark Datasets （提供通用基准数据集）
• Mini-batches （minibatch加速训练）
• Data Transforms （数据转换）
• Learning Methods on Graphs （提供图上的学习方法/模型）
• Exercises （练习）

data handling of graphs

一张图用来建模一些节点和他们之间的边。在pyG中，一张图用torch_geometric.data.Data表示，它默认拥有下面这些属性。
data.x :节点的特征，是一个矩阵 [节点编号，节点特征维度] ,dype常用torch.float
data.edge_index ：是以coo格式存储的边[2,边的数目]，从第一行的节点编号，指向第二行。格式是torch.long向下取整的长整型！
data.edge_attr :边的特征矩阵[边的数目，边的特征维度]
data.y: 要训练得到的目标结果，可以是任意形状，如节点级别的输出形状[节点数目，*]或者图级别的输出形状[1, *];
注意1：所有的属性都不是必须的，而且属性不限于这些。例如：我们可以通过data.face对其进行扩展，将三维网格中的三角形的连通性保存在形状为[3,num_faces]、类型为torch.long的张量当中。
Note:PyTorch 和 torchvision 将示例定义为图像和目标的元组。我们在 PyG 中省略了这个符号，以便以简洁易懂的方式使用各种数据结构。

我们举一个简单的例子，说明一个由三个节点和四条边的无权 and 无向图。

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)

Output : Data(edge_index=[2, 4], x=[3, 1])

一、Mac M1安装pyG 系统版本 Ventura 13.5= 13.5（22G74）

采用方案一成功
安装成功后的pip list列表：

torch 1.12.1
torch-geometric 2.3.1
torch-scatter 2.1.1
torch-sparse 0.6.17
torchaudio 0.12.1
torchvision 0.13.1
wheel 0.41.1

方案一运行时报错：OMP: Error #15: Initializing libomp.dylib, but found libomp.dylib already in

解决办法：
在文件最顶端加上

import os
os.environ['KMP_DUPLICATE_LIB_OK']='TRUE'

vscode运行代码报错

zsh: segmentation fault python XXX.py
解决方案如下：在顶端写上下面这两句话

import matplotlib as mpl
mpl.use('TkAgg') #必须要写在这两个import中间

ERROR: CONDA_BUILD_SYSROOT or SDKROOT has to be set for cross-compiling

环境错误，忽略，不影响代码运行
参考答案

参考2:未尝试

二、VSCODE使用教程

https://blog.csdn.net/qq_60782107/article/details/129830572

远程连接服务器

VSCode远程连接服务器

超参数代码调试

vscode修改终端字体

code-settings-搜索integrated.font-填入字体即可

Introduction

1.1 data handling of graphs

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])

# 验证数据的正确性
print(data.validate()) # resulet

读代码遇到的知识点积累

dropout的作用

Dropout叫作随机失活，简单来说就是在模型训练阶段的前向传播过程中，让某些神经元的激活值以一定的概率停止工作，如下图所示，这样可以使模型的泛化性更强。
https://baijiahao.baidu.com/s?id=1747562058954045563&wfr=spider&for=pc