PyG图神经网络框架学习--示例介绍

实例介绍

通过自带的示例介绍并学习PyG。主要从以下4各方面：

图数据处理
通用基准数据集
Mini-batches
数据转换
图学习方法

图数据处理

图用于对对象（节点）之前的关系（边）进行建模。PyG中的图可以用torch_geometric.data.Data的一个实例表示，默认情况下包含以下属性：

• data.x: 具有[num_nodes, num_node_features]形状的节点特征矩阵
• data.edge_index: 形状为[2, num_edges]，类型为Torch.long
• data.edge_attr: 形状为[num_edges, num_edge_features]的边特征矩阵
• data.y：标签（可能具有任意形状），例如，node-level任务形状为[num_nodes, *]或graph-level任务形状为[1, *]
• data.pos: 节点位置矩阵，形状为[num_nodes, num_dimensions]

我们展示了一个简单的例子：一个有三个节点和四条边的无权无向图。每个节点正好包含一个特征。

import torch
from torch_geometric.data import Data

edge_index = torch.tensor([[0,1,1,2],
                          [1,0,2,1]],dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
data = Data(x=x, edge_index = edge_index)
>>> Data(edge_index=[2, 4], x=[3, 1])

值得注意得是，edge_index，即定义所有源节点和目标节点的张量，不是索引对的列表。如果想写成索引对的形式，则需要在将它们传递给构造函数前对他们进行转置 .t() 并调用 .contiguous() 函数：

import torch
from torch_geometric.data import Data

edge_index = torch.tensor([[0, 1],
                          [1, 0],
                          [1, 2],
                          [2, 1