【PyG】简介 - 图神经网络

本文介绍了PyG库在图神经网络中的应用,包括图数据处理、常用基准数据集、Mini-Batches和Data Transforms。通过实例展示了如何使用PyG处理数据,构建并训练GCN模型。PyG提供了方便的工具,如DataLoader,使得图学习方法的实现更加便捷。
摘要由CSDN通过智能技术生成

最近在学习图神经网络相关的知识,发现主要使用的库有两个:dgl和pyg,但是pyg的资料是英文的,而且网上资料也比较少,就翻译一下分享。

图数据处理

单张图被PyG表示为torch_geometric.data.Data类型,有如下属性:

data.x: 节点的特征矩阵,形状为 [num_nodes, num_node_features]
data.edge_index: COO格式的图的边 shape [2, num_edges] and type torch.long
data.edge_attr:边的特征矩阵 shape [num_edges, num_edge_features]

data.y: 训练数据的标签,节点级的目标 shape [num_nodes, *] or 图级的目标 shape [1, *]

data.pos: 节点的位置矩阵 shape [num_nodes, num_dimensions]

import torch
from torch_geometric.data import Data

# 一个无权无向图的例子
# 边的索引 COO格式 就是说第一行代表行索引 第二行代表列索引
# 节点0 1之间有一条边 12之间有一条边 
edge_index = torch.tensor([[0, 1, 1, 2], 
                           [1, 0, 2, 1]], dtype=torch.long)
# 节点0 1 2的特征分别是
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)

data = Data(x=x, edge_index=edge_index)
# 不是COO格式的边 是使用边的两个节点的元组形式
import torch
from torch_geometric.data import Data

edge_index = torch.tensor([[0, 1],
                           [1, 0],
                           [1, 2],
                           [2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)

data = Data(x=x, edge_index=edge_index.t().contiguous())

对于data提供了如下方法进行访问:

#  可以使用类似字典的方式
print(data.keys) 
>>> ['x', 'edge_index'] # 前面带箭头的表示输出

print(data['x'])
>>> tensor([[-1.0],
            [0.0],
            [1.0]])

for key, item in data:
    print(f'{
     key} found in data')
>>> x found in data
>>> edge_index found in data

'edge_attr' in data
>>> False
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值