图神经网络task4

数据完全存于内存的数据集类

如何利用容量大于内存的数据集训练神经网络

在训练神经网络的时候，我们常常会遇到训练集大于RAM的情况。
如果直接暴力读取会出现MemoryError，那这个时候我们应该怎么办呢？
Dataset类在__init__()中把你的数据集全都遍历一遍，然后生成一个惰性迭代器。之后在你需要数据的时候，输入数据的index他就只会加载你需要的数据，而不是一下子全部加载到RAM中。那有人会问，你这不是还要遍历一遍完整的数据集吗，遍历的时候不是还是需要加载到RAM中吗？对没错，确实需要，但是遍历的时候只是让Dataset获取数据的keys.也就是为了得到数据集中每个sample的索引而遍历的，方便之后在__getitem__()中利用index找到你所需要的数据

数据完全存于内存可以加快速度

单一GPU每秒可执行万亿次浮点运算（TFLOPS），意味着其运算执行速度可达到普通CPU的10到1000倍。为了让GPU正常执行这些运算，数据必须存放在GPU内存当中。将数据加载至GPU内存中的速度越快，运算执行速度也就越快。其中的挑战在于如何优化I/O或网络操作，保证GPU在计算当中不必反复等待数据的传入。

节点预测与边预测任务实践

实际应用中SIGN表现出色

高效性和简便性，SIGN可作为基线图学习方法应用于不同大规模图数据。更重要的是，这种简单模型的成功引起我们的思考：是否真的需要深度图神经网络？发现在社交网络和“小世界”图学习的许多问题中，应该使用更丰富的本地结构，而不是野蛮的堆积深度架构。不过值得注意的是&#