GNN-第三方库：PyG（Pytorch Geometric）【基于Pytorch构建的库，可以帮助用户快速构建和训练自己的图神经网络模型】【DeepWalk、LINE、GCN、GAT等】

已于 2024-02-14 13:39:23 修改
阅读量1.2k 收藏
点赞数
分类专栏： 图神经网络 文章标签： pytorch 神经网络 深度学习
于 2022-07-22 21:46:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013250861/article/details/125940274
版权
PyG是Pytorch Geometric的简称，是一个用于构建和训练图神经网络模型的库，支持GCN、GAT等多种模型。它包含Models、Operators、Storage和Engine四大模块，提供图数据操作、大尺度图处理和稀疏数据支持。PyG适用于快速开发和高效处理复杂图数据任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一.什么是PyG?

PyG全称是Pytorch Geometric，它是一个基于Pytorch构建的库，可以帮助用户快速构建和训练自己的图神经网络模型。

PyG中实现了很多先进（state of the art）的GNN模块，例如GCN、GraphSage、GAT、SGC、GIN等等。此外，PyG中还包含了大量的benchmark图数据集、丰富的图数据操作方法、支持多GPU。

二.PyG的安装

关于PyG的安装，推荐使用pip命令的方式：

pip install torch-scatter -f https://data.pyg.org/whl/torch-$
了解本专栏 订阅专栏 解锁全文 超级会员免费看
GNN-第三方库：PyTorch Geometric Temporal【PyG的一个时间图神经网络扩展库】
u013250861的博客
10-31 2048
PyTorchGeometricTemporal是PyTorchGeometric（PyG）的一个时间图神经网络扩展库。它建立在开源深度学习和图形处理库之上。PyTorchGeometricTemporal由最先进的深度学习和参数学习方法组成，用于处理时空信号。PyTorchGeometricTemporal是第一个用于几何结构的时间深度学习的开源库，并在动态和静态图上提供常量时差图神经网络。我们使用离散时间图快照（discretetimegraphsnapshots）来实现这一点。...
手把手安装GNN必备库 —— pytorch_geometric
m0_51339444的博客
01-09 2135
PyG全称是Pytorch Geometric，它是一个基于Pytorch构建的库，可以帮助用户快速构建和训练自己的图神经网络模型。PyG中实现了很多先进（state of the art）的GNN模块，例如GCN、GraphSage、GAT、SGC、GIN等等。此外，PyG中还包含了大量的benchmark图数据集、丰富的图数据操作方法、支持多GPU。
快速入门图神经网络（GNN）之——pytorch_geometric
kaiaaaa的博客
12-26 749
是库中用于表示图数据结构的一个核心类。
PyG教程(1)：初识Pytorch Geometric
LW的技术小筑
06-09 5728
PyG全称是Pytorch Geometric，它是一个基于Pytorch构建的库，可以帮助用户快速构建和训练自己的图神经网络模型。PyG中实现了很多先进（state of the art）的GNN模块，例如、、、、等等。此外，PyG中还包含了大量的benchmark图数据集、丰富的图数据操作方法、支持多GPU。关于PyG的安装，推荐使用命令的方式： 其中和分别表示Pytorch版本和CUDA版本的占位符，即需要根据你的环境中两者的版本来对其进行设置，例如你本地的Pytorch和CUDA版本分别为和，则使用
图神经网络框架-PyTorch Geometric(PyG)的使用及踩坑
机器学习社区
11-20 1万+
PyG(PyTorch Geometric)是一个基于PyTorch的图神经网络框架，建议先了解PyTorch的使用再学习PyG,要不然看不懂。本文内容角度，喜欢本文点赞支持、欢迎收藏学习。 PyG包含图神经网络训练中的数据集处理、多GPU训练、多个经典的图神经网络模型、多个常用的图神经网络训练数据集而且支持自建数据集，主要包含以下几个模块 torch_geometric:主模块 torch_geometric.nn：搭建图神经网络层 torch_geometric.data:图结构数据的表示
PyTorch Geometric (PyG) 入门教程
热门推荐
诸神缄默不语的博客
06-03 2万+
PyTorch Geometric (PyG) 入门教程
Python-PyTorchGeometric用于PyTorch的几何深度学习扩展库
08-11
PyTorch Geometric：用于PyTorch的几何深度学习扩展库
安装GNN-Pytorch-geometric必备的四个包！torch-geometrivc.rar
11-18
通过正确安装和使用这些包，你可以充分利用PyTorch-Geometric的强大功能，构建出能够在复杂图数据上运行的高效、准确的GNN模型。无论是对社交网络中的用户关系进行分析，还是在化学领域识别分子结构，GNN都能提供...
最新几何深度学习扩展库 PyTorch Geometric - 1903.02428.zip
10-31
- **高性能**：基于PyTorch，PyG利用其高效的自动微分和计算能力，确保了模型的快速训练和推理。 - **丰富的数据处理**：PyG支持多种图数据结构，包括动态图和多图，以及各种图操作，如子图采样和图转换。 - **...
PyTorch Geometric：图神经网络的强大工具
ahah12345678的博客
01-17 849
PyTorch Geometric（PyG）是一个基于PyTorch的图神经网络库，专为图数据和图网络模型设计。在深度学习领域，图网络是一种强大的工具，它能够处理结构化数据，如社交网络、分子结构、交通网络等。本文将详细介绍PyTorch Geometric的主要功能、内置模块、主要应用，并给出代码片段的示例。
第十六课.Pytorch-geometric入门(一)
白景屹的博客
09-05 7099
目录PyG安装图结构基础基准数据集Mini-Batches构建GCN PyG安装 Pytorch-geometric即PyG，是一个基于pytorch的图神经网络框架。其官方链接为：PyG 在安装PyG之前，我们需要先安装好pytorch，建议使用更高版本的pytorch，比如 pytorch1.9.x + cuda11.1，然后使用pip安装，对于windows系统，我们可以做以下操作： pip install torch-scatter torch-sparse torch-cluster torch-
Pytorch Geometric - 1. 介绍
陈小默的博客
11-26 5738
原文地址：INTRODUCTION BY EXAMPLE 博客地址：陈小默的CSDN 通过自带的几个样例，可以大致了解到Pytorch Gemetric的基本概念。 文章目录Graph数据的处理通用的基准数据集Mini-batchesGraph的学习方法 Graph数据的处理 Graph数据模型通常成对的包含两部分信息，即以边(edge)的形式表示的关系(relation) 和 以节点(node)的形式表示的对象。在Geometric中，描述graph对象的类是torch_geometric.data..
Pytorch Geometric(PyG)入门
Misnearch的博客
06-21 1213
PyG (PyTorch Geometric) 是建立在 PyTorch 基础上的一个库，用于轻松编写和训练图形神经网络 (GNN)，适用于与结构化数据相关的各种应用。
GCN学习：Pytorch-Geometric教程（一）
StarfishCu的博客
09-28 5506
基本图变量 PyG中的基本图变量为torch_geometric.data.Data,具有以下参数： data.x: Node feature matrix with shape [num_nodes, num_node_features] data.edge_index: Graph connectivity in COO format with shape [2, num_edges] and type torch.long data.edge_attr: Edge feature matrix w
PyTorch Geometric(PyG)解读、快速开始-简单易懂
yrwang_xd的博客
04-12 6958
PyG官方github https://github.com/rusty1s/pytorch_geometric torch_geometric.data 创建Data对象 这个模块包含了一个叫Data的类，可以创建Data对象 创建只需要： 节点的属性/特征（the attributes/features associated with each node, node features） 邻接...
【图神经网络工具】PyTorch Geometric基础知识（一）
weixin_47082769的博客
09-26 1410
工业界的微服务系统通常是由几十到几千个服务运行在不同的机器上组成的大规模分布式系统。系统的异常往往可以体现在trace和log中，分别记录服务间的交互和服务内的行为。现有的跟踪异常检测方法将跟踪视为一系列服务调用。他们忽略了由其调用层次结构和并行/异步调用带来的跟踪的复杂结构。另一方面，现有的日志异常检测方法将日志视为一系列事件，无法处理分布在大量交互复杂的服务中的微服务日志。在本文中，我们提出了 DeepTraLog，一种基于深度学习的微服务异常检测方法。
深度学习高级主题：PyTorch 几何图形
新华编程特战队
12-30 2239
值得注意的是，甚至在训练模型的权重之前，该模型就产生了与图的社区结构非常相似的节点嵌入。相同颜色（社区）的节点已经在嵌入空间中紧密地聚集在一起，尽管我们模型的权重是完全随机初始化的，到目前为止我们还没有进行任何训练！由此得出的结论是，GNN引入了强烈的归纳偏置，导致输入图中彼此靠近的节点具有相似的嵌入。我们可以看到，对于每条边，edge_index包含一个由两个节点索引组成的元组，其中第一个值描述源节点的节点索引，第二个值描述边目标节点的节点索引。初始化空手道俱乐部数据集后，我们首先可以检查它的一些属性。
PyG (PyTorch Geometric) 异质图神经网络HGNN
诸神缄默不语的博客
12-05 7115
本文介绍使用PyG (PyTorch Geometric) 包处理异质图heterogenous graph，实现异质图神经网络HGNN (heterogenous graph neural networks)
PyTorch Geometric 实现简易 Graph Convolutional Networks (GCN)
木源的博客
03-15 980
GraphConv 层已经在 PyG 中预定义了，我们直接使用即可。这里我们使用两个 GraphConv 层，第一层的输入维度是每个节点的特征维度，输出维度为 16，第二个层的输入维度为 16，输出维度为节点类别数。每个层后面跟一个 ReLU 和 dropout 操作。device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 设备epochs = 200 # 学习轮数lr = 0.0003 # 学习率。
PyTorch Geometric（PyG）库
最新发布
03-19
<think>好的，我现在需要帮助用户了解和使用PyTorch Geometric（PyG）库。首先，用户可能对PyG的基本概念和用途不太清楚，所以应该先介绍PyG是什么，以及它在图神经网络中的作用。需要提到PyG是基于PyTorch的，方便处理图结构数据，这对处理社交网络、分子结构等非欧几里得数据很有用。 接下来，用户可能需要安装指南。根据提供的引用[3]，安装PyG需要先正确安装PyTorch，尤其是CUDA版本。这里需要分步骤说明，比如创建conda环境、安装PyTorch，然后再安装PyG的相关依赖，比如torch-scatter、torch-sparse等。要强调依赖安装的顺序和可能遇到的问题，比如版本兼容性，可以参考引用[2]提到的官网检查步骤。 然后，用户可能需要一些基本用法的示例。比如如何加载数据集，构建数据对象，定义图神经网络模型，训练和测试流程。需要引用[1]中的torch_geometric.datasets来展示如何载入标准数据集，如Cora。同时，展示一个简单的GCN模型代码示例，说明如何继承MessagePassing类，定义消息传递和更新函数。 用户可能还关心文档和资源，这里需要提到官方文档的重要性，引用[1]中的文档链接，并推荐教程和社区资源，如GitHub仓库和论坛。此外，可以补充一些常见问题，比如处理自定义数据集的方法，或者如何调试模型。 最后，根据用户问题生成的相关问题需要考虑他们可能的后续需求，比如安装问题、模型定义、数据集处理和应用场景。这些问题需要覆盖用户在使用PyG过程中可能遇到的各个阶段，帮助他们进一步深入学习。 在回答过程中，要确保所有数学公式和代码块符合格式要求，比如行内公式用$...$，独立公式用$$...$$，代码块用三个反引号包裹。同时，引用要自然地插入到相关内容末尾，如引用[1]、[2]、[3]分别对应文档、安装检查和conda安装步骤。 检查是否有遗漏的部分，比如是否涵盖了主要功能、安装步骤、基本用法、文档资源和常见问题。确保语言简洁明了，结构清晰，帮助用户一步步解决问题。同时，注意不要使用Markdown格式，保持回答的自然流畅。</think>### PyTorch Geometric（PyG）库的使用与文档指南 PyTorch Geometric（PyG）是基于PyTorch的扩展库，专门用于处理图结构数据（如社交网络、分子结构、推荐系统等）的深度学习任务[^1]。以下是关键使用步骤和文档资源： --- ### 1. **安装PyTorch Geometric** 在安装PyG前，需确保已正确安装PyTorch（建议通过conda管理环境）： ```bash # 创建conda环境（示例） conda create -n pyg_env python=3.9 conda activate pyg_env # 安装PyTorch（根据CUDA版本选择命令，此处以CUDA 11.3为例） conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch # 安装PyG依赖库 pip install torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://data.pyg.org/whl/torch-1.10.0+cu113.html pip install torch-geometric ``` 安装后可通过`import torch_geometric`验证是否成功[^3]。 --- ### 2. **核心功能与基本用法** #### (1) **加载数据集** PyG内置多种图数据集（如Cora、PubMed），通过`torch_geometric.datasets`加载： ```python from torch_geometric.datasets import Planetoid dataset = Planetoid(root='/tmp/Cora', name='Cora') data = dataset[0] # 获取第一个图数据 print(f"节点数: {data.num_nodes}, 边数: {data.num_edges}, 特征维度: {data.num_features}") ``` 输出示例：`节点数: 2708, 边数: 10556, 特征维度: 1433`[^1]。 #### (2) **定义图神经网络（GNN）** PyG提供`MessagePassing`类实现图卷积操作。以下是一个简单的GCN层示例： ```python import torch from torch_geometric.nn import MessagePassing class GCNConv(MessagePassing): def __init__(self, in_channels, out_channels): super().__init__(aggr='add') # 聚合方式为求和 self.lin = torch.nn.Linear(in_channels, out_channels) def forward(self, x, edge_index): # x: 节点特征矩阵 [num_nodes, in_channels] x = self.lin(x) return self.propagate(edge_index, x=x) def message(self, x_j): # x_j: 邻居节点特征 [num_edges, out_channels] return x_j ``` #### (3) **训练模型** 完整训练流程示例（以节点分类任务为例）： ```python import torch.nn.functional as F from torch_geometric.nn import GCNConv class GCN(torch.nn.Module): def __init__(self): super().__init__() self.conv1 = GCNConv(dataset.num_features, 16) self.conv2 = GCNConv(16, dataset.num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) model = GCN() optimizer = torch.optim.Adam(model.parameters(), lr=0.01) def train(): model.train() optimizer.zero_grad() out = model(data) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() return loss.item() ``` --- ### 3. **文档与资源** - **官方文档**：详细API说明和教程见[PyG文档](https://pytorch-geometric.readthedocs.io/)。 - **GitHub仓库**：源码与示例代码参考[PyG GitHub](https://github.com/pyg-team/pytorch_geometric)。 - **社区支持**：问题讨论可访问[PyG论坛](https://discuss.pytorch.geometric.live/)。 --- ### 常见问题 - **Q**: 如何处理自定义图数据？ **A**: 使用`torch_geometric.data.Data`类构建，需定义节点特征、边索引等属性： ```python from torch_geometric.data import Data edge_index = torch.tensor([[0, 1], [1, 2]], dtype=torch.long) x = torch.tensor([[1], [2], [3]], dtype=torch.float) data = Data(x=x, edge_index=edge_index.t().contiguous()) ``` - **Q**: 如何调试GPU兼容性问题？ **A**: 运行`torch.cuda.is_available()`检查CUDA是否可用，确保PyTorch与PyG版本匹配[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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