图神经网络导论与环境配置（pyG）

引言

在深度学习的输入数据形式当中，我们常见到的就是矩阵、张量（如计算机视觉中的像素点）还有序列（文字、语言等自然语言处理）。但在现实生活中的数据格式多种多样，我们很难将所有数据保存成“网格点”的 形式。图，作为一种储存数据的结构更容易将某些数据进行储存（如知识图谱，化学分子的结构，交通网络等等）。深度学习或者说神经网络在图上的应用，可以使我们挖掘更深层的知识，用于我们的目标任务。

然而图数据是非规则的非结构化的，它具有以下的特点：

1. 任意的大小和复杂的拓扑结构；
2. 没有固定的节点排序或参考点；
3. 通常是动态的，并具有多模态的特征；
4. 图的信息并非只蕴含在节点信息和边的信息中，图的信息还包括了图的拓扑结构。
   

简单图论

重要知识 ----（图）：

一个图被记为$\mathcal{G}=\mathcal{V},\mathcal{E}$，其中
$\mathcal{V}$表示数量为N的节点的集合，$\mathcal{E}$表示数量为M条边的集合
节点和边的信息可以是类别型的（categorical），类别型数据的取值只能是哪一类别。一般称类别型的信息为标签（label）。
节点和边的信息可以是数值型的（numeric），数值型数据的取值范围为实数。一般称数值型的信息为属性（attribute）。
在图的计算任务中，我们认为，节点一定含有信息（至少含有节点的度的信息），边可能含有信息。

以化学分子为例：每一个原子可以看做是图上的一个节点，原子间相连的键看做为图上的边。那么节点的标签为我们的节点到底是哪一个原子，C原子还是H原子…边的标签也可以分为图的边是共价键还是离子键等等。同时原子（节点）也拥有属性，即C原子的分子量、带电荷数、化合价等信息，键（边）也可以拥有属性，即其长短，强度等等。

重要知识二 ----（邻接矩阵）：

给定一个图$\mathcal{G}=\mathcal{V},\mathcal{E}$，其对应的邻接矩阵被记为$\mathbf{A}\in {0,1}^{N\times N}$。${\mathbf{A}}_{i,j}=1$表示存在从节点$v_i$到$v_j$的边，反之表示不存在从节点$v_i$到$v_j$的边。形如：

邻接矩阵的行和列为其所有的节点，若两节点相邻为一不相邻为0，这是邻接矩阵的常用格式。但邻接矩阵可以被用户所定义在【0,1】之间，表达对该节点相邻的重要程度

重要知识三 ----（度矩阵与拉普拉斯矩阵）

$D$是度矩阵，可以理解为与节点相连的边的个数
$\mathbf{D}=\mathbf{d}\mathbf{i}\mathbf{a}\mathbf{g}(\mathbf{d}({\mathbf{v}}_1),\cdots ,\mathbf{d}({\mathbf{v}}_{\mathbf{N}}))$

给定一个图$\mathcal{G}=\mathcal{V},\mathcal{E}$，其邻接矩阵为$A$，其拉普拉斯矩阵定义为$\mathbf{L}=\mathbf{D}-\mathbf{A}$。

重要知识四 ----（图的种类）

同质图（Homogeneous Graph）：只有一种类型的节点和一种类型的边的图。
同样以化学分子为例，表示一个完全连接的分子在一张图上，称为同质图。
异质图（Heterogeneous Graph）：存在多种类型的节点和多种类型的边的图。
在一张图上表示多个化学分子（每个分子中原子节点类型不同即多种类型的节点），这些化学分子之间彼此又成键了，即多种类型的边。
二部图（Bipartite Graphs）：节点分为两类，只有不同类的节点之间存在边。
（有机会再讨论，基本只讨论同质图和异质图）

图结构数据上的机器学习任务

配置环境(linux)

首先创建一个名为pyG的虚拟环境

$ conda create -n pyG python=3.7

激活该虚拟环境

$ source activate pgG

1、安装torch(推荐1.8.0以下，因为有对应的 wheel.

$ pip install torch===1.8.0

2、安装依赖包及torch-geometric

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-geometric

此处${TORCH}对应于你的torch版本 ， ${CUDA}对应你CUDA版本
本人的cuda版本太低故装cpu版(版本号如何选择见wheel.)

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-geometric

3、检查安装结果

(pgG) [zou@gpu22 makeNew]$ python
Python 3.7.10 (default, Jun  4 2021, 14:48:32) 
[GCC 7.5.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> import torch_geometric

不显示no Module 就没有问题了，有时候会显示warning说你的cuda版本太低，但由于装的是cpu版，不会有问题。