Task1

1图的基础知识

1.1图的定义
1.2图的临界矩阵
1.3节点的度
1.4路径
已经在数据结构中学习过，不再重复
1.5行走（walk）：一次行走的起始点+走过的边+结束点
1.6子图、连通图、连通子图：和高数上连通图的定义有异曲同工之处，就是单独可以成一个小区域。连通子图为子图的特殊型。
1.7直径：max min P ，P为节点间的路径长度。

其中关于图网络的介绍和优缺点相对容易理解，同时自己的

2配置环境

在环境配置过程中，自己的电脑是win10，所以在配置过程中出现了较大的问题。因为我提前安装过conda，并且配置可以使用，所以就用的conda终端进行的安装，期间出现以下问题

2.1cuda和工具包的安装

升级驱动，先去了cuda官网，然后查询了自己电脑GPU对用的驱动程序，更新到了新版本。（因为大部分是向下兼容的，所以较高的版本也能支持较低版本的torch，但是最好还是按照官方对应的版本来安装对应的torch）

2.2用conda虚拟环境进行安装

用conda虚拟环境进行安装参考链接
我起初是用最高的torch和cudatoolkit=11.2，同时用的清华源进行配置。中间torch包1.5G，还有一个依赖包要1.3G，中间发生了好几次断开链接。心态崩了。后来也尝试了一下用中科大的源，但是又失败了。迫于无奈，就降低了版本，用cudatoolkit=10.1进行安装，在等待了半个小时后，终于torch安装成功，在conda终端里可以使用。

2.3conda虚拟环境运用到jupyter notebook中

conda虚拟环境运用到jupyter notebook中参考链接
conda虚拟环境不能直接在jupyter notebook中使用，需要上面一些附加包。安装完毕后，重新运行jupyter notebook，创建对应的虚拟环境就行。

2.4pyg依赖包下载

pyg依赖包不能挂VPN下载就离谱？？？只能用-f指定源进行下载，当事人表示很无奈，也就几十兆的东西，10k/s的速度下载了半个小时？？？差不多，终于结束。然后用-i清华源下载了以下pyg。终于下载完毕。

3作业题

3.1继承

class Data(object):

    def __init__(self, x=None, edge_index=None, edge_attr=None, y=None, **kwargs):
        """
        Args:
            x (Tensor, optional): 节点属性矩阵，大小为`[num_nodes, num_node_features]`
            edge_index (LongTensor, optional): 边索引矩阵，大小为`[2, num_edges]`，第0行为尾节点，第1行为头节点，头指向尾
            edge_attr (Tensor, optional): 边属性矩阵，大小为`[num_edges, num_edge_features]`
            y (Tensor, optional): 节点或图的标签，任意大小（，其实也可以是边的标签）
        """

        self.x = x
        self.edge_index = edge_index
        self.edge_attr = edge_attr
        self.y = y

        for key, item in kwargs.items():
            if key == 'num_nodes':
                self.__num_nodes__ = item
            else:
                self[key] = item

我是假设y是[num-node,num-class]的举证，比如节点i，对应j类，则y[ij]==1，否则等于0，然后得到每一类的个数。

3.2因为要用到model=model.to(device)

参考链接
但是由于，还不会创建良好的网络模型，所以自己没有将net（）实例化。但是查到了一篇实例化的例子，同时看懂了代码。关键代码如下：

import torch.nn as nn
class Net1(nn.Module):
        def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
            super(Net1, self).__init__()
            self.layer1 = torch.nn.Sequential(nn.Linear(in_dim, n_hidden_1))
            self.layer2 = torch.nn.Sequential(nn.Linear(n_hidden_1, n_hidden_2))
            self.layer3 = torch.nn.Sequential(nn.Linear(n_hidden_2, out_dim))
        def forward(self, x):
            x1 = F.relu(self.layer1(x))
            x1 = F.relu(self.layer2(x1))
            x2 = self.layer3(x1)
            print("\tIn Model: input size", x.size(),"output size", x2.size())
            return x2

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
#实例化网络
model = Net1(13, 16, 32, 1)
if torch.cuda.device_count() > 1:
    print("Let's use", torch.cuda.device_count(), "GPUs")
    model = nn.DataParallel(model)
model.to(device)

NET参考实例化