Pytorch Geometric实践——利用Pytorch搭建GNN

在PyTorch Geometric（PyG）中，我们可以方便地实现各种图神经网络（GNN）模型。PyG基于PyTorch，提供了丰富的图神经网络层和算法，使得我们能够快速搭建和训练GNN。下面，我们将分步骤介绍如何使用PyG搭建一个简单的GNN模型。
一、安装PyTorch Geometric
要使用PyG，首先需要安装PyTorch和PyG。在终端中输入以下命令进行安装：

pip install torch torchvision

在安装好PyTorch之后，可以使用以下命令安装PyG：

pip install torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.8.0.html

二、数据预处理
在搭建GNN之前，我们需要对图数据进行预处理。PyG提供了torch_geometric.data模块来处理图数据。下面是一个简单的示例，演示如何加载数据并将其转换为PyG所需的格式：

from torch_geometric.datasets import Planetoid
from torch_geometric.data import DataLoader
dataset = Planetoid(root='/tmp/Cora', name='Cora')  # 加载Cora数据集
loader = DataLoader(dataset, batch_size=32, shuffle=True)  # 创建数据加载器

三、搭建GNN模型
接下来，我们将使用PyG搭建一个简单的GNN模型。首先，导入所需的模块：

from torch_geometric.nn import GCNConv
from torch_geometric.data import DataLoader

然后，定义一个简单的GCN模型：

def create_model():
return GCNConv(dataset.num_features, dataset.num_classes)

四、训练模型
现在，我们可以开始训练模型了。首先，创建一个优化器和一个损失函数：

import torch.optim as optim
from torch_geometric.nn import loss as gnn_loss
optimizer = optim.Adam(model.parameters(), lr=0.01)
loss_fn = gnn_loss.CrossEntropyLoss()

接下来，在训练循环中迭代优化器、损失函数和模型：

best_model = None
best_acc = -1.
for epoch in range(200):
model.train()
optimizer.zero_grad()
out = model(data.x, data.edge_index)
loss = loss_fn(out[data.train_mask], data.y[data.train_mask])
loss.backward()
optimizer.step()
train_acc = (out[data.train_mask].argmax(dim=1) == data.y[data.train_mask]).sum().item() / data.y[data.train_mask].size(0)
if train_acc > best_acc:
best_acc = train_acc
best_model = model
print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Train Accuracy: {train_acc:.4f}')