PyG框架：Graph Classification

训练GNN用来做Graph Classification

一、原理

1、根据Message Passing得到每个节点的node embedding

2、readout layer
把所有节点的node embedding聚合成整个图的graph embedding。
【文献中有很多种不同的readout layer，但最常用的是mean】

【跟Node Classification的区别】：是否把每个节点的node embedding聚合成一个graph embedding？

针对mini-batch，PyG框架有封装好的模块，torch_geometric.nn.global_mean_pool 可以分别将mini-batch中每个图的所有node embedding聚合成一个graph embedding（一个batch中有多少个图，就有多少个graph embedding）。一个batch的graph embedding矩阵的shape为：[batch_size，hidden_channels]。hidden_channels：一个graph embedding（向量）的长度

3、训练一个针对graph embedding的分类器

二、代码实现

PyG框架是什么？如何安装？可以参照官方文档or我的上一篇博客：https://blog.csdn.net/qq_38432089/article/details/122152640?spm=1001.2014.3001.5501
1、数据集准备

import torch
from torch_geometric.datasets import TUDataset

# 1、数据集下载
dataset = TUDataset(root='data/TUDataset', name='MUTAG')

# 查看数据集信息
print()
print(f'Dataset: {
     dataset}:')
print('====================')
print(f'Number of graphs: {
     len(dataset)}')
print(f'Number of features: {
     dataset.num_features}')
print(f'Number of classes: {
     dataset.num_classes}')

data = dataset[0]  # Get the first graph object.

print()
print(data)
print('=============================================================')

# Gather some statistics about the first graph.
print(