![09f313c69b7cfdf9c921eaedad6985c3.png](https://i-blog.csdnimg.cn/blog_migrate/b5b25600bc0124aa006c64f6aed15d49.jpeg)
简介:本文介绍如何将Pytorch Geometric运行过程中得到的data或者tensor转换成networkx可以处理的格式,进行可视化。
其中Pytorch geometric的地址为
PyTorch Geometric Documentationpytorch-geometric.readthedocs.io方法一
根据networkx的文档
draw_networkx - NetworkX 1.10 documentationnetworkx.github.io我们可以写出来一个非常简单的例子,如下:
import
运行程序之后,可以得到下面的图,(偷了一个懒,没有加label之类的信息)
![f8678acd15476da6e5106b34ab3a4b67.png](https://i-blog.csdnimg.cn/blog_migrate/d97e934e5c4ccd8383c4dc228344fd4b.png)
这个例子给我们的启发就是,我们可以将PyG得到的edge_index转成numpy的格式,然后传给nx,下面是根据这个写的一个函数:
在PyG中,边的表示放在了edge_index中,由一个二维的矩阵构成,edge_index[0]表示节点edge_index[1]表示另一个节点。
def draw(edge_index, name=None):
G = nx.Graph(node_size=15, font_size=8)
src = edge_index[0].cpu().numpy()
dst = edge_index[1].cpu().numpy()
edgelist = zip(src, dst)
for i, j in edgelist:
G.add_edge(i, j)
plt.figure(figsize=(20, 14)) # 设置画布的大小
nx.draw_networkx(G)
plt.savefig('{}.png'.format(name if name else 'path'))
注:该方法可以用于模型中的forward函数,用于分析cov,pool等操作
下面是与上面思想一致可以直接运行的一个例子
from torch_geometric.datasets import KarateClub
import networkx as nx
import matplotlib.pyplot as plt
dataset = KarateClub()
edge, x, y = dataset[0]
# edge, x, y 每个维度都为2,其中第一维度是name,第二个维度是data
# x表示的是结点,y表示的标签,edge表示的连边, 由两个维度的tensor构成
x_np = x[1].numpy()
y_np = y[1].numpy()
g = nx.Graph()
name, edgeinfo = edge
src = edgeinfo[0].numpy()
dst = edgeinfo[1].numpy()
edgelist = zip(src, dst)
for i, j in edgelist:
g.add_edge(i, j)
nx.draw(g)
plt.savefig('test.png')
plt.show()
方法二
其实,torch_geometric.utils中已经带有to_networkx的函数可以直接将格式为torch_geometric.data.Data 的数据转换为networkx.DiGraph的格式,该格式可以直接networkx处理,但是我们提前要得到torch_geometric.data.Data的数据格式
import networkx as nx
from torch_geometric.utils.convert import to_networkx
def draw(Data):
G = to_networkx(Data)
nx.draw(G)
plt.savefig("path.png")
plt.show()
这个一般可以用于在model加载数据之前数据的分析,比如下面的例子
for i, data in enumerate(train_loader):
draw(data)
data = data.to(args.device)
out = model(data)
loss = F.nll_loss(out, data.y)
print("Training loss:{}".format(loss.item()))
loss.backward()
optimizer.step()
optimizer.zero_grad()
上面的函数是在graph classification进行分析的一段代码,可以把batch size的设置为1,那么for循环中得到就是一个graph的数据,在把数据feed给模型之前,我们可以通过该方法分析一下原始的数据是什么样子的。
如果有什么问题,或者获取完整代码(其实上面已经很完整了),请联系
![5b58ba737798ca6f6e1264df158d79cf.png](https://i-blog.csdnimg.cn/blog_migrate/ae1fb4d301cb5f47ea5d0a02fbea1e2b.jpeg)