Never Give Up

return out。

要绘制上述代码中权重初始化的分布，可以分别展示每一层初始化权重的直方图。我们将用torch.fmod对生成的随机数进行取模运算，确保权重值在 -2 到 2 之间。

在函数中，size参数用于指定生成张量的形状。函数用于从正态（高斯）分布中生成随机数。stdsize以下是一些示例，展示了如何使用size。

直接在GNN中提取节点特征然后通过FC进行预测的效果通常更好，因为它能够实现端到端训练，联合优化特征提取和分类，避免特征过拟合，更好地利用图结构信息，并简化模型复杂度和计算开销。这些优势使得直接在GNN中进行特征提取和分类的模型通常具有更好的性能和更高的稳定性。

理解权重初始化的标准差（）对神经网络训练的影响，可以通过可视化图形来帮助我们更直观地理解。

在 PyTorch 中，有多种常见的权重初始化方法，可以根据具体情况选择最适合的方法。在 PyTorch 中，如果不显式设置权重初始化，模型层会使用默认的初始化方法。输入数据的范围和分布会影响神经网络的训练过程，因此权重初始化需要与之配合，以确保模型能够有效地学习和收敛。通过合理选择权重初始化方法和对输入数据进行适当的预处理，可以确保模型更稳定和高效地训练。通过这些方法，您可以灵活地初始化神经网络的权重，从而提高模型的训练效果和收敛速度。通过这些方法，您可以确保模型的权重初始化适当，并避免损失为。

这个代码片段展示了如何用 PyTorch 初始化神经网络的权重，具体使用的是截断正态分布（truncated normal distribution）。截断正态分布意味着生成的值会在一定范围内截断，以防止出现极端值。这里使用torch.fmod作为一种变通方法实现这一效果。

生成一些示例数据x_data = torch.randn(100, 10) # 100 个样本，每个样本有 10 个特征y_data = torch.randn(100, 1) # 100 个样本，每个样本有 1 个标签# 创建 TensorDataset 和 DataLoader# 直接查看 train_loader 中的数据集len。

将节点压缩为1通常是指将整个图的所有节点通过某种方式合并，得到一个整体的图表示（图嵌入）。在图神经网络（GNN）中，“将特征压缩为1”和“将节点压缩为1”是两个不同的概念，通常对应于不同的任务和操作。假设我们有一个节点特征矩阵，每个节点有多个特征，我们希望将每个节点的特征压缩为一个标量。总之，“将特征压缩为1”是在节点级别上的特征处理，而“将节点压缩为1”是在图级别上的节点合并，两者的操作对象和应用场景不同。假设我们有一个图的节点特征矩阵，我们希望将整个图的所有节点特征合并为一个图表示。

在图神经网络（Graph Neural Networks, GNN）中，节点特征合并与节点特征提取是两个关键步骤。

方法对象：与类或对象相关联的函数。引用时不执行，需调用（加括号）才能执行。属性：与类或对象相关联的数据。直接访问，通常不需要调用。通过理解这些概念，可以更好地掌握面向对象编程以及如何在框架中使用方法和属性。对象提供了丰富的方法和属性，方便用户进行各种张量操作和查询。了解这些方法和属性的用法，有助于更有效地使用 PyTorch 进行深度学习和张量计算。

torch.Size对象是一个表示张量形状的元组。可以使用size()方法或shape属性获取张量的形状。方法用于获取特定维度的大小。访问不存在的维度会导致IndexError错误。

size提供了方法和属性，方法可以接受参数来获取特定维度的大小。shape仅作为属性，返回整个张量的维度信息，不能接受参数。tensor.size返回<built-in method size of Tensor object at 0x7fee569194a0>tensor.shape返回<class ‘torch.Size’>，tensor.size()返回<class ‘torch.Size’>返回一个方法对象引用。返回一个torch.Size对象，表示张量的形状。返回特定维度的大小。

属性，返回维度信息作为torch.Size对象。：方法，返回维度信息作为torch.Size对象（与属性相同）。：方法，返回指定维度的大小。

通过在加载数据集时应用变换，你可以确保每个节点的特征向量被归一化，从而提高模型的训练效果和收敛速度。这在处理图神经网络任务时是一个很常见且有用的预处理步骤。

将cross_entropy直接替换成mse_loss报错RuntimeError: The size of tensor a (7) must match the size of tensor b (140) at non-singleton dimension 1将换成mse_loss会报错的原因是，这两个损失函数的输入和输出形状要求不同。是一个分类损失函数，它期望输入是未归一化的logits（形状为），而标签是整数类别（形状为mse_loss是一个回归损失函数，它期望输入和标签的形状相同。

将模型输出转换为对数概率。nll_loss选择目标类别的对数概率，并取负值，得到损失值。因此，通过和nll_loss的组合，模型输出的三个数被转换为一个单一的损失值，用于优化模型。

out[data.train_mask] 的形状为 [140, 7]，因为 data.train_mask 选择了 140 个节点进行训练，每个节点对应 7 个类别的未归一化分数。out[0]与out[0:1,:]，同样是取出一行，out[0]得到的是一维向量torch.Size([7])，out[0:1,:]得到的是二维向量torch.Size([1, 7])，二维向量就可以在这一行使用argmax(dim=1)返回最大数的索引。例如，[2708,7]表明有2708个节点，7个类别。

不是数组套数组的赋值方式，而是利用布尔索引来选择特定元素的操作。这种操作在张量（tensor）和数组处理库（如 NumPy 和 PyTorch）中很常见，用于提取符合特定条件的元素。

在使用PyTorch Geometric加载Cora数据集时，训练、验证和测试集的大小可以通过掩码（mask）来确定。每个掩码是一个布尔张量，用于指示哪些节点属于训练集、验证集和测试集。通过计算这些掩码中为True的元素数量，我们可以确定每个数据集的大小。

log-softmax 操作的主要作用是在多分类问题中计算模型的输出概率分布，并且在使用负对数似然损失（negative log-likelihood loss，通常用于分类任务）时特别有用。对于分类任务，这一步是必要的，因为模型的输出通常是每个类别的对数概率分布，我们需要从中选出概率最大的类别作为预测结果。这表示模型预测第一个样本的类别为1，第二个样本的类别为2，第三个样本的类别为1。通过这种方式，我们可以从模型的输出中提取每个样本的预测类别，用于后续的评估或其他处理。对于二维张量（例如批处理的数据），

在 Cora 数据集中，2708 个节点对应于科学文献，每个节点代表一篇文献。文献被划分为7个类别或标签，分别表示不同的研究领域。这些标签是预先定义好的类别，用来标识每篇文献的主题。尽管节点数量有2708个，但每个节点都被分配到这7个类别之一。这个标签的分配过程通常是由领域专家根据文献的主题进行的。模型在训练时使用这些标签来学习文献之间的关系和特征分布。

在使用PyTorch Geometric加载Cora数据集时，data对象通常是一个包含图数据的字典或类实例。如果你看到，这通常表示data对象包含6个主要属性或字段。对于Cora数据集，dataxedge_index[2, 5429]y[2708]

Cora 数据集由 2708 篇科学出版物组成，这些出版物被分为 7 个类别。节点代表论文，边代表引用关系。每个节点有一个 1433 维的特征向量，表示论文的词袋模型（Bag of Words），特征向量中的每个维度表示某个词汇是否出现在论文中。

:, :]：选择整个二维数组或张量。[:, :10]：选择二维数组或张量的前 10 列。这种语法在处理多维数据时非常方便，可以用于选择特定的子数组或子张量。

edge_index是 PyTorch Geometric 中常用的表示图边的张量。它通常是一个形状为的二维张量，其中num_edges表示图中边的数量。每一列表示一条边，包含两个节点的索引。表示取出edge_index张量的前 10 列，即前 10 条边的节点索引。在 Python 中，使用切片语法 [:,] 是一种方便的方式来选择多维数组或张量的特定部分（另外一部分Python语法知识）程序输出结果。

Cora 数据集原本有 5429 条无向边，在 PyTorch Geometric 中被存储为 10556 条有向边（每条无向边变成了两条有向边）。这就是为什么在加载数据集时，显示的是 10556 而不是 5429。

进一步处理和分析接下来，你可以使用加载和解析的数据进行进一步的处理和分析，例如构建图结构、训练机器学习模型或进行数据可视化等操作。如果你打算使用 PyTorch Geometric，可以根据需要将数据转换为 PyTorch 张量或直接使用 PyTorch Geometric 提供的工具类加载数据。通过这些步骤，你可以有效地加载和处理手动下载的 Cora 数据集文件，并在需要时将其集成到机器学习或图神经网络任务中。

手动下载数据集和使用 PyTorch Geometric 中的Planetoid。

通过Planetoid类加载 Cora 数据集，并对特征进行归一化，可以快速方便地准备数据，进行节点分类等任务。PyTorch Geometric 提供的工具使得处理图结构数据变得简单和高效，有助于我们在实际应用中充分利用图神经网络的强大能力。

和是两个不同的加载器，它们分别用于处理不同类型的数据。是 PyTorch 中的通用数据加载器，用于加载任何遵循接口的数据集。它主要用于加载图像、文本和其他常见的数据类型。Datasettransformcollate_fn是 PyTorch Geometric (PyG) 提供的数据加载器，专门用于加载图数据。它与类似，但具有一些针对图数据的特性和优化。

_len__这个错误表明你的MyDataset类没有正确地实现抽象类Dataset中定义的必需方法。在 PyTorch 中，是一个抽象基类（abstract base class），要求自定义的数据集类（如MyDataset__len__和。这些方法分别用于确定数据集的长度和获取数据集中的一个样本。让我们来修正MyDataset。

当你遇到错误时，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）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。

from torch_geometric.loader import DenseDataLoader # 更新导入路径# 创建环形图的邻接矩阵# 创建随机特征和标签y = torch.randn((self.num_nodes, 1)) # 每个节点一个标签# 创建数据集num_samples = 100 # 样本数num_nodes = 10 # 每个图中的节点数num_node_features = 8 # 每个节点的特征数# 使用 DenseDataLoader 加载数据。

官方文档在 PyTorch Geometric 中，是一个用于表示图数据的核心数据结构之一。

生成数据：我们生成了包含节点特征、边索引和标签的样本数据。封装数据：我们使用Data对象将每个样本的数据封装起来。

MyDataset。

创建环形图的邻接矩阵# 创建随机特征和标签y = torch.randn((self.num_nodes, 1)) # 每个节点一个标签# 创建环形图的邻接矩阵# 创建随机特征和标签y = torch.randn((self.num_nodes, 1)) # 每个节点一个标签# 参数设置num_samples = 100 # 样本数num_nodes = 10 # 每个图中的节点数num_node_features = 8 # 每个节点的特征数# 创建数据集。

from torch_geometric.loader import DenseDataLoader # 更新导入路径# 创建环形图的邻接矩阵# 创建随机特征和标签y = torch.randn((self.num_nodes, 1)) # 每个节点一个标签# 创建数据集num_samples = 100 # 样本数num_nodes = 10 # 每个图中的节点数num_node_features = 8 # 每个节点的特征数# 使用 DenseDataLoader 加载数据。

data_list：适合处理内存中可以完全加载的小型数据集，直接将包含Data对象的列表传递给数据加载器。dataset：适合处理大型数据集或需要动态生成数据项的数据集，通过继承Dataset类并实现__len__和方法，使其与数据加载器兼容。在实际使用中，根据数据集的大小和特性选择合适的存储和加载方式。如果数据集较小且可以完全加载到内存中，使用data_list可能更简单直接。如果数据集较大或需要动态生成，使用dataset则更加灵活高效。