Pytorch自带一个PyG的图神经网络库，和构建卷积神经网络类似。不同于卷积神经网络仅需重构__init__( )和forward( )两个函数，PyTorch必须额外重构propagate( )和message( )函数。
一、环境构建
①安装torch_geometric包。
pip install torch_geometric②导入相关库
import torch
import torch.nn.functional as F
import torch.nn as nn
import torch_geometric.nn as pyg_nn
from torch_geometric.datasets import Planetoid
二、PyG图学习架构
构建方法：首先继承MessagePassing类，接下来重写构造函数和以下三个方法：
message() #构建消息传递
aggregate() #将消息聚合到目标节点
update() #更新消息节点1.构造函数
def __init__(self, aggr: Optional[str] = "add",
flow: str = "source_to_target", node_dim: int = -2,
decomposed_layers: int = 1):
| 参数 | 内容 |
| aggr | 消息聚合的方式，常见的方法：add、mean、min、max |
| flow | 消息传播的方向，source_to_target--从源节点到目标节点 target_to_source--从目标节点到源节点 |
| node_dim | 传播的维度 |
2.propagate函数
该函数为消息传播的启动函数，调用此函数后会依次执行：message、aggregate、update来完成消息的传递、聚合、更新。
该函数声明如下：
propagate(self, edge_index: Adj, size: Size = None, **kwargs)| 参数 | 说明 |
| edge_index | 边索引 |
| size | 邻接矩阵的尺寸，若为None则表示方阵 |
| **kwargs | 额外参数 |
3.message函数
用于构建节点消息，传递给propagate的tensor可以映射到中心节点和邻居节点，仅需在相应的变量名后加上_i（中心节点）或_j（邻居节点）即可。
self.propagate(edge_index, x=x):
pass
def message(self, x_i, x_j, edge_index_i):
pass| x_i | 中心节点构成的特征向量组成的矩阵 |
| x_j | 邻居节点构成的特征向量组成的矩阵 |
| edge_index_i | 中心节点的索引 |
4.aggregate函数
消息聚合函数，用以聚合来自邻居的消息，常见的方法有add、sum、mean、max，可以通过super().__init__()中的参数aggr来设定
5.update函数
用于更新节点的消息
三、GCN图卷积网络
GCN网络的原理可见：图卷积神经网络--GCN
需要注意 torch_scatter无法使用pip install加载可以参见 torch_scatter安装
1.加载数据集
from torch_geometric.datasets import Planetoid
dataset = Planetoid(root='Cora', name='Cora')Cora数据集是一个根据科学论文之间相互引用关系构建的图(Graph)数据集合，论文合计7类，共2708篇论文（2708个节点），10556条边。
2.定义GCN层
class GCNConv(MessagePassing):
def __init__(self, in_channels, out_channels, add_self_loops=True, bias=True):
super(GCNConv, self).__init__()
self.add_self_loops = add_self_loops
self.edge_index = None
self.linear = pyg_nn.dense.linear.Linear(in_channels, out_channels, weight_initializer='glorot')
if bias:
self.bias = nn.Parameter(torch.Tensor(out_channels, 1))
self.bias = pyg_nn.inits.glorot(self.bias)
else:
self.register_parameter('bias', None)
# 1.消息传递
def message(self, x, edge_index):
# 1.对所有节点进行新的空间映射
x = self.linear(x) # [num_nodes, feature_size]
# 2.添加偏置
if self.bias != None:
x += self.bias.flatten()
# 3.返回source、target信息，对应边的起点和终点
row, col = edge_index # [E]
# 4.获得度矩阵
deg = degree(col, x.shape[0], x.dtype) # [num_nodes]
# 5.度矩阵归一化
deg_inv_sqrt = deg.pow(-0.5) # [num_nodes]
# 6.计算sqrt(deg(i)) * sqrt(deg(j))
norm = deg_inv_sqrt[row] * deg_inv_sqrt[col] # [num_nodes]
# 7.返回所有边的映射
x_j = x[row] # [E, feature_size]
# 8.计算归一化后的节点特征
x_j = norm.view(-1, 1) * x_j # [E, feature_size]
return x_j
# 2.消息聚合
def aggregate(self, x_j, edge_index):
# 1.返回source、target信息，对应边的起点和终点
row, col = edge_index # [E]
# 2.聚合邻居特征
aggr_out = scatter(x_j, row, dim=0, reduce='sum') # [num_nodes, feature_size]
return aggr_out
# 3.节点更新
def update(self, aggr_out):
# 对于GCN没有这个阶段，所以直接返回
return aggr_out
def forward(self, x, edge_index):
# 2.添加自环信息，考虑自身信息
if self.add_self_loops:
edge_index, _ = add_self_loops(edge_index, num_nodes=x.shape[0]) # [2, E]
return self.propagate(edge_index, x=x)3.定义GCN网络
class GCN(nn.Module):
def __init__(self, num_node_features, num_classes):
super(GCN, self).__init__()
self.conv1 = GCNConv(num_node_features, 16)
self.conv2 = GCNConv(16, num_classes)
def forward(self, data):
x, edge_index = data.x, data.edge_index
x = self.conv1(x, edge_index)
x = F.relu(x)
x = F.dropout(x, training=self.training)
x = self.conv2(x, edge_index)
return F.log_softmax(x, dim=1)4.模型调用
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 设备
epochs = 200 # 学习轮数
lr = 0.0003 # 学习率
num_node_features = dataset.num_node_features # 每个节点的特征数
num_classes = dataset.num_classes # 每个节点的类别数
data = dataset[0].to(device) # Cora的一张图
# 4.定义模型
model = GCN(num_node_features, num_classes).to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 优化器
loss_function = nn.NLLLoss() # 损失函数
# 训练模式
model.train()
for epoch in range(epochs):
optimizer.zero_grad()
pred = model(data)
loss = loss_function(pred[data.train_mask], data.y[data.train_mask]) # 损失
correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item() # epoch正确分类数目
acc_train = correct_count_train / data.train_mask.sum().item() # epoch训练精度
loss.backward()
optimizer.step()
if epoch % 20 == 0:
print("【EPOCH: 】%s" % str(epoch + 1))
print('训练损失为：{:.4f}'.format(loss.item()), '训练精度为：{:.4f}'.format(acc_train))
print('【Finished Training！】')
# 模型验证
model.eval()
pred = model(data)
# 训练集（使用了掩码）
correct_count_train = pred.argmax(axis=1)[data.train_mask].eq(data.y[data.train_mask]).sum().item()
acc_train = correct_count_train / data.train_mask.sum().item()
loss_train = loss_function(pred[data.train_mask], data.y[data.train_mask]).item()
# 测试集
correct_count_test = pred.argmax(axis=1)[data.test_mask].eq(data.y[data.test_mask]).sum().item()
acc_test = correct_count_test / data.test_mask.sum().item()
loss_test = loss_function(pred[data.test_mask], data.y[data.test_mask]).item()
print('Train Accuracy: {:.4f}'.format(acc_train), 'Train Loss: {:.4f}'.format(loss_train))
print('Test Accuracy: {:.4f}'.format(acc_test), 'Test Loss: {:.4f}'.format(loss_test))