TUDataset返回的对象的参数 (待完善）

这里的TUDataset继承自InMemoryDataset基类

dataset = TUDataset(path, name, pre_transform=pre_transform, cleaned=clean)

• path：数据路径，指定数据集所在的目录。
• name：数据集名称，指定要使用的数据集。
• pre_transform：预处理函数，即前面定义的pre_transform函数，用于对数据集进行预处理。数据对象将在保存到磁盘之前进行转换。
• cleaned：清洗标志，指示是否使用已清洗的数据集。

• transform: 数据对象将在每次访问之前进行转换。具体流程为：获取数据的函数首先用该transform函数对Data做转换，再返回数据;  该参数输入的函数应用于数据增广

• pre_filter=None: 是一个检查数据是否要保留的函数

1.创建TUDataset对象时，它会执行以下操作：

• 加载指定数据集的原始数据。
• 如果提供了pre_transform参数，将应用预处理函数对数据集进行处理。
• 如果提供了cleaned参数且为True，将使用清洗过的数据集，即移除同构性的图。清洗操作通常会在预处理之后，用于移除同构性或其他不必要的图结构。

2.返回创建的TUDataset对象，该对象包含了经过预处理和清洗（如果适用）的数据集，可以用于后续的数据分析、模型训练等任务。

3.返回的对象dataset包含以下参数:

• dataset.data: 一个torch_geometric.data.Data对象的列表，其中每个对象表示数据集中的一个图。每个Data对象包含以下属性：

  1. x: 节点特征矩阵，形状为[num_nodes, num_node_features]。每行对应一个节点的特征向量。
  2. edge_index: 边索引矩阵，形状为[2, num_edges]。每列表示一个边，其中第一行是起始节点的索引，第二行是目标节点的索引。
  3. edge_attr: 边属性矩阵，形状为[num_edges, num_edge_features]。每行对应一个边的属性向量。
  4. pos: 节点位置矩阵，形状为[num_nodes, num_dimensions]。每行对应一个节点的位置信息。
  5. y: 图的目标标签，通常是一个整数或一个张量。表示图所属的类别或回归目标。
  6. 其他自定义属性：如果数据集中还有其他属性，它们将作为键值对存储在data对象中。

• dataset.cleaned:数据是否经过清洗；如果：obj:`True'，则数据集将只包含非同构图

• dataset.cleaned_url：定义了已清洗数据集的下载URL

• dataset.name:数据集名字

• dataset.num_classes: 表示图数据集中的类别数量，通常用于图分类任务。它指示了图数据集中不同类别的图的数量。

• dataset.num_edge_attributes: 表示边属性的数量。边属性是指在图中与边相关的附加信息或特征。例如，在社交网络中，边属性可以表示用户之间的关系强度或互动频率。

• dataset.num_edge_features: 表示边特征的类别数。边特征是指在图中与边相关的特征向量或描述。边特征可以用来表示边的权重、距离、相似度等信息。

• dataset.num_edge_labels: 表示边的标签类别数。边标签是指为图中的每条边分配的类别或标签。例如，在社交网络中，边标签可以表示用户之间的关系类型，如友好、家庭关系等。

• dataset.num_features: 表示图数据集中的特征数量。这包括节点特征和边特征的总数量。

• dataset.num_node_attributes: 表示节点属性的数量。节点属性是指在图中与节点相关的附加信息或特征。例如，在社交网络中，节点属性可以表示用户的年龄、性别、职业等。

• dataset.num_node_features: 表示节点特征的类别数。节点特征是指在图中与节点相关的特征向量或描述。节点特征可以用来表示节点的属性、内容、表示向量等信息。

• dataset.num_node_labels: 表示节点的标签类别数。节点标签是指为图中的每个节点分配的类别或标签。例如，在图像分类任务中，节点标签可以表示图像所属的类别。

• dataset.transform: 数据转换函数，用于在加载数据时对数据进行预处理和转换。
• dataset.pre_transform: 预转换函数，用于在数据处理阶段对数据进行预处理和转换。
• dataset.pre_filter: 预过滤函数，用于在加载数据时对数据进行预过滤，过滤掉不需要的数据。
• dataset.processed_dir: 处理后数据存储的目录路径。
• dataset.processed_file_names: 处理后数据存储的文件名
• dataset.processed_paths：处理后数据存储的文件路径
• dataset.raw_dir: 原始数据存储的目录
• dataset.raw_file_names: 原始数据存储的文件名
• dataset.raw_paths：原始数据存储的文件路径
• dataset.url: 数据集的下载URL
• dataset.process(): 处理数据的方法。

• dataset.slices:  这是一个包含切片信息的Python字典，用于快速访问图数据的不同部分。它包含了各个属性的切片范围，可以通过切片索引快速获取对应的数据。具体的参数解释如下：

  • x: 节点特征的切片范围，用于在data.x中获取节点特征。
  • edge_index: 边索引的切片范围，用于在data.edge_index中获取边索引。
  • edge_attr: 边属性的切片范围，用于在data.edge_attr中获取边属性。
  • y: 图的标签的切片范围，用于在data.y中获取图的标签。

这些参数可以通过dataset对象的属性访问，例如dataset.data、dataset.slices、dataset.num_classes和dataset.metadata。

设我们使用TUDataset加载的数据集是MUTAG数据集，下面是一个例子来详细解释dataset.slices参数：

import torch_geometric
from torch_geometric.datasets import TUDataset

path = '/path/to/dataset'
name = 'MUTAG'
dataset = TUDataset(path, name)

print(dataset.slices)

输出结果：

{
    'x': tensor([0, 14, 23, 34, 52, 69, 90, 104, 114, 126, 135, 144, 159, 169, 185, 197, 204]),
    'edge_index': tensor([  0,   2,   0,   3,   0,   5,   0,   8,   0,  11,   0,  14,   0,  17,
                            0,  20,   0,  23,   0,  26,   0,  29,   0,  32,   0,  35,   0,  38,
                            ...
                            203, 196, 204, 198, 204, 199, 204, 200, 204, 201, 204, 202, 204, 203]),
    'edge_attr': tensor([ 0,  0,  1,  ..., 21, 17,  9]),
    'y': tensor([0, 0, 0,  ..., 1, 1, 1])
}

解释：

• 'x': 这个键对应的值是一个包含了每个图中节点特征矩阵x的切片（索引范围）信息。在这个例子中，x的切片范围为[0, 14, 23, 34, 52, 69, 90, 104, 114, 126, 135, 144, 159, 169, 185, 197, 204]。这意味着第一个图（索引为0）中的节点特征在x[0:14]中，第二个图（索引为1）中的节点特征在x[14:23]中，
• 其他属性也是如此，以此类推。

再一个解释如下：

假设我们使用TUDataset加载了一个数据集，其中包含5个图数据。每个图数据都具有节点特征x和边索引edge_index。当我们访问slices时，它将返回一个字典，其中包含了两个键：x和edge_index。

slices['x']是一个包含6个元素的列表，对应于数据集中每个图数据的节点特征x的切片索引。列表的每个元素都是一个切片对象，表示对应图数据的节点特征在x中的范围。

slices['edge_index']也是一个包含6个元素的列表，对应于数据集中每个图数据的边索引edge_index的切片索引。列表的每个元素同样是一个切片对象，表示对应图数据的边索引在edge_index中的范围。

这些切片索引可以用于快速访问和定位图数据的节点特征和边索引。通过使用这些切片索引，我们可以轻松地提取出特定图数据的节点特征和边索引，而不需要遍历整个x和edge_index。

例如，假设我们想获取第3个图数据的节点特征和边索引，我们可以使用slices['x'][3]和slices['edge_index'][3]来获取对应的切片索引。然后，我们可以使用这些切片索引来从整个x和edge_index中提取出第3个图数据的节点特征和边索引。

slices参数提供了一种有效访问和索引每个图数据的方式。通过这些切片信息，可以方便地从整个数据集中提取单个图的数据，进行后续的训练、验证和测试等操作。