NeighborLoader

什么是NeighborLoader

是torch_geometric.loader中提供的方法。
作用：用于高效采样节点及其邻接节点，可以处理大规模数据，
通过邻居采样来生成迷你批次，用于训练。

例子：

Data：

						  0
						 / \
						1   2
						 \ /
						  3

假设每个节点都有一个特征向量。如下：

# 定义节点特征 (4 个节点，每个节点有 3 维特征)
x = torch.tensor([[1, 1, 1],
                 [2, 2, 2],
                 [3, 3, 3],
                 [4, 4, 4]], dtype=torch.float)

# 定义边列表 (每条边由两个节点索引组成)
edge_index = torch.tensor([[0, 0, 1, 2, 3, 3],
                           [1, 2, 0, 3, 1, 2]], dtype=torch.long)

创建NeighborLoader

# 创建 NeighborLoader
loader = NeighborLoader(
    data,
    num_neighbors=[2, 2],  # 每一层的邻居采样数量
    batch_size=2,  # 每个批次的节点数量
    shuffle=True,
)

打印结果：

# 查看生成的批次
for batch in loader:
    print("Batch数据：")
    print("Batch节点索引:", batch.batch)
    print("Batch节点特征:\n", batch.x)
    print("Batch边列表:\n", batch.edge_index)
    print("Batch邻居采样节点:\n", batch.n_id)
    break  # 只打印一个批次的内容

Batch节点特征: tensor([[2., 2., 2.],
[1., 1., 1.],
[4., 4., 4.],
[3., 3., 3.]])
Batch边列表: EdgeIndex([[1, 2, 0, 3],
[0, 0, 1, 2]], sparse_size=(4, 4), nnz=4, sort_order=col)
Batch邻居采样节点: tensor([1, 0, 3, 2])

观测打印的数据：

Batch邻居采样节点: tensor([1, 0, 3, 2]) 这里是随机的，因为batch_size=2,会随机选取其中两个节点作为初始节点，后边开始两层的挑选，每一层都会挑选两个相邻节点，第二层会根据第一层挑选的相邻节点进行再一次的相邻节点的挑选。