【PYG】定义数据集报错AttributeError: can‘t set attribute

当你遇到 AttributeError: can't set attribute 错误时，通常是因为你试图在一个类的实例上设置一个属性，但该类不允许直接设置属性。在Python中，某些类，特别是那些继承自某些基类（比如 torch.utils.data.Dataset）的类，限制了直接属性赋值的操作，这是为了安全或一致性考虑。

要解决这个问题，你应该在你的 MyDataset 类的 __init__ 方法中正确地初始化属性。以下是如何修复这个问题的方法：

关键更改内容：

• （这部分有点瞎扯）构造方法 (__init__): 我将 self.num_node_features = num_node_features 从初始化中移除，因为它导致了 AttributeError 错误。相反，我将它移到了 __init__ 方法中，以正确初始化 MyDataset 实例创建时的属性。
• 方法 (__len__ 和 __getitem__): 我还添加了 __len__ 和 __getitem__ 方法，这是 Dataset 子类所必需的方法。__len__ 返回数据集中的样本数 (num_samples)，__getitem__ 根据给定的索引 (idx) 获取一个样本，生成 x 和 y 的合成数据。

这种结构确保了你的 MyDataset 类被正确初始化，并符合PyTorch数据集的预期行为。根据你实际数据集的需求调整合成数据生成 (x 和 y) 的部分。

错误部分没有__len__ 和 __getitem__，写成len和get，继承来自from torch_geometric.data import Dataset

from torch_geometric.data import Data
from torch.utils.data import Dataset
import torch
# Define your dataset class
class MyDataset(Dataset):
    def __init__(self, num_samples, num_nodes, num_node_features):
        super(MyDataset, self).__init__()  # Initialize base class if inheriting
        self.num_samples = num_samples
        self.num_nodes = num_nodes
        self.num_node_features = num_node_features

    def __len__(self):
        return self.num_samples

    def __getitem__(self, idx):
        edge_index = torch.tensor([[i for i in range(self.num_nodes)],
                                   [(i + 1) % self.num_nodes for i in range(self.num_nodes)]], dtype=torch.long)
        x = torch.randn((self.num_nodes, self.num_node_features))
        y = torch.randn((self.num_nodes, 1))  # Each node has a label
        return Data(x=x, edge_index=edge_index, y=y)

# Example usage
num_samples = 100
num_nodes = 10
num_node_features = 8

dataset = MyDataset(num_samples, num_nodes, num_node_features)
print(dataset[0])

super的作用

如果在使用 super() 调用时出现错误，通常是因为类的初始化方法（__init__）中没有正确地调用父类的初始化方法。这可能会导致 Python 报告类的属性无法设置的错误。让我们来看看如何正确使用 super() 并初始化属性。

在你的 MyDataset 类中，确保按照以下方式使用 super() 和正确初始化属性

解释说明：

• super() 函数：在 Python 中，super() 函数用于调用父类的方法。在 MyDataset 类的 __init__ 方法中，super(MyDataset, self).__init__() 调用了 Dataset 类的初始化方法，确保正确初始化了 Dataset 类中的属性和方法。
• 属性初始化：在 MyDataset 的 __init__ 方法中，通过 self.num_samples、self.num_nodes 和 self.num_node_features 初始化了数据集的属性。这些属性用于定义数据集的特征和样本数量。
• 数据加载：__getitem__ 方法用于按照给定的 idx 加载数据集中的样本，并返回一个包含图数据的 Data 对象。

通过这样的方式，你可以确保 MyDataset 类正确地继承了 Dataset 类，并正确初始化了属性，避免了 AttributeError 错误的发生。

idx的作用

在PyTorch中，特别是在使用 torch.utils.data.Dataset 和 torch.utils.data.DataLoader 构建数据加载和处理管道时，idx（或者通常命名为 index）代表着数据集中样本的索引。具体来说：

1. __getitem__ 方法中的 idx：

   • 在自定义的数据集类中，通常会实现 __getitem__ 方法。这个方法接收一个参数 idx，它表示你要获取的样本在数据集中的索引。
   • 例如，在一个图像分类任务中，idx 就是每张图像在数据集中的位置。通过这个索引，你可以从数据集中加载并返回对应位置的样本数据。

2. 作用：

   • idx 的作用是定位和访问数据集中特定样本的数据。在训练过程中，DataLoader 会使用 __getitem__ 方法迭代数据集，根据给定的 idx 获取每个样本，然后将它们组织成批量供模型训练。
   • 在使用 DataLoader 加载数据时，idx 通常会被 DataLoader 内部迭代器管理，你无需手动传递它，只需实现好 __getitem__ 方法即可。

3. 示例：

   • 假设你有一个自定义的数据集类 MyDataset，实现了 __getitem__ 方法来根据 idx 加载图像数据。当你使用 DataLoader 加载这个数据集时，DataLoader 会自动处理索引的管理和批量数据的组织，你只需要关注数据集类的实现和模型的训练过程。

总结来说，idx 是用来在数据集中定位和访问特定样本的索引参数，它在自定义数据集类中的作用是非常重要的，能够帮助你有效地管理和处理数据集中的样本数据。