【PyG】DATA（torch_geometric.data.Data ）之学习

最新推荐文章于 2024-12-27 14:30:58 发布

转载最新推荐文章于 2024-12-27 14:30:58 发布 · 1.1k 阅读

2 ·

CC 4.0 BY-SA版权

原文链接：https://blog.youkuaiyun.com/qq_40671063/article/details/126256429

文章标签：

#PyG

文章介绍了torch_geometric库中的Data类，它是构建图数据结构的基础，包含节点特征x、边索引edge_index、节点位置pos、边属性edge_attr和样本标签y等属性。Data类不仅限于这些属性，还可以扩展以适应不同图结构。在PyG中，Data对象包含了样本的label，与PyTorch中的处理方式略有不同。文章通过示例展示了如何使用Data类创建无向图，并提到了edge_index的不同存储方式。

部署运行你感兴趣的模型镜像

1 torch_geometric.data.Data属性

torch_geometric.data.data — pytorch_geometric documentation

class Data (self, x: OptTensor = None, edge_index: OptTensor = None, edge_attr: OptTensor = None, y: OptTensor = None, pos: OptTensor = None, **kwargs):

x: 用于存储每个节点的特征，形状是[num_nodes, num_node_features]；

edge_index: 用于存储节点之间的边，形状是 [2, num_edges]（ 使用稀疏的方式存储边关系（edge_index中边的存储方式，有两个list，第 1 个list是边的起始点，第 2 个list是边的目标节点））；

pos: 存储节点的坐标，形状是[num_nodes, num_dimensions]；

y: 存储样本标签。如果是每个节点都有标签，那么形状是[num_nodes, *]；如果是整张图只有一个标签，那么形状是[1, *]；

edge_attr: 存储边的特征。形状是[num_edges, num_edge_features]；

使用pyG的Data来建图：

from torch_geometric.data import Data
 
data = Data(x=x, edge_index=edge_index)

在实际的应用场景中，图的形式多种多样，单纯的使用 x 和 edge index 是无法描述这众多的图结构的；

在 PyG 的Data 类当中，还提供了许多其他属性用于描述图的变量。

实际上，Data对象不仅仅限制于这些属性，我们可以通过data.face来扩展Data，以张量保存三维网格中三角形的连接性；

在Data里包含了样本的 label，这意味和 PyTorch 稍有不同，在PyTorch中，我们重写Dataset的__getitem__()，根据 index 返回对应的样本和 label；

在 PyG 中，我们使用的不是这种写法，而是在get()函数中根据 index 返回torch_geometric.data.Data类型的数据，在Data里包含了数据和 label；

使用`torch_geometric.data.Data`

import torch
from torch_geometric.data import Data
# 由于是无向图，因此有 4 条边：(0 -> 1), (1 -> 0), (1 -> 2), (2 -> 1)
edge_index = torch.tensor([[0, 1, 1, 2],
                           [1, 0, 2, 1]], dtype=torch.long)
# 节点的特征                           
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
 
data = Data(x=x, edge_index=edge_index)

注意edge_index中边的存储方式，有两个list，第 1 个list是边的起始点，第 2 个list是边的目标节点。

另一种存储edge_index的方式：

import torch
from torch_geometric.data import Data
 
edge_index = torch.tensor([[0, 1],
                           [1, 0],
                           [1, 2],
                           [2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
 
data = Data(x=x, edge_index=edge_index.t().contiguous())

这种情况edge_index需要先转置然后使用contiguous()方法。

有了Data，我们可以创建自己的Dataset，读取并返回Data。

参考：图神经网络 PyTorch Geometric 入门教程 - 掘金

有了data对象就可以快速开始了，PyG官方提供了许多图神经网络算法的接口