尧图网站建设 
从零到生产PyTorch Geometric 图神经网络开发完整实战指南【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric从一个反直觉的问题说起假设你在做反欺诈要判断两笔转账是否属于同一个洗钱团伙。传统表格模型只能看单笔交易的金额、时间、金额频率这类特征但团伙作案的核心证据藏在转账关系网里——谁转给谁、资金绕了几手才到达。CNN 处理网格图像RNN 处理序列而关系网是典型的非欧几里得结构这两者都用不上。这正是**图神经网络GNN**的主场也是 **PyTorch GeometricPyG**要解决的问题它是构建在 PyTorch 之上的图神经网络开发库把节点特征矩阵 边连接矩阵变成了和 Tensor 一样自然的操作对象让你用写普通 PyTorch 模型的方式写 GNN。它的核心承诺只有两条简单任务 10-20 行代码跑通真实生产环境百万节点、异构图、多机训练有对应的扩展方案。下面所有内容都以仓库 torch_geometric/ 的真实代码路径为锚点。 5 分钟装好并跑通第一个 GCNPyG 2.3 之后的安装极其干净——只依赖 PyTorch 本身pip install torch_geometric需要更高性能GPU 加速的采样、聚类等算子时再按需安装pyg-lib、torch-scatter、torch_sparse三个可选扩展库基础用法完全不强制。装好后用一个经典任务建立信心在 Cora 引文网络约 2708 个论文节点、5400 条引用边上做论文分类。核心就是两层GCNConv 一个propagateimport torch from torch_geometric.nn import GCNConv from torch_geometric.datasets import Planetoid dataset Planetoid(root./data, nameCora) data dataset[0] # 一个图data.x 是节点特征data.edge_index 是边 class GCN(torch.nn.Module): def __init__(self): super().__init__() self.conv1 GCNConv(dataset.num_features, 16) self.conv2 GCNConv(16, dataset.num_classes) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() return self.conv2(x, edge_index) model GCN() optimizer torch.optim.Adam(model.parameters(), lr0.01) for epoch in range(200): pred model(data.x, data.edge_index) loss torch.nn.functional.cross_entropy(pred[data.train_mask], data.y[data.train_mask]) optimizer.zero_grad(); loss.backward(); optimizer.step()整个仓库的完整训练/评估版本在 examples/gcn.py本地可以直接python examples/gcn.py跑起来。看懂上面代码只需要记住 PyG 的两个数据结构字段形状含义x[num_nodes, in_channels]每个节点一个特征向量edge_index[2, num_edges]每列(src, dst)描述一条有向边有了这两个约定图就变成了普通张量 索引后面所有 API 都围绕它们展开。核心机制消息传递Message Passing一张图讲透所有主流 GNN 层GCN、GAT、SAGE、GIN……都遵循同一套流程邻居发消息 → 目标节点聚合 → 更新自身表示。PyG 把它抽象成基类 MessagePassing你只需要重写message()定义每条边发什么消息聚合方式add/mean/max通过构造参数指定以论文中的 EdgeConv 为例从公式到可运行代码只需要十行左右from torch_geometric.nn import MessagePassing class EdgeConv(MessagePassing): def __init__(self, in_channels, out_channels): super().__init__(aggrmax) # 聚合方式max self.mlp torch.nn.Sequential( torch.nn.Linear(2 * in_channels, out_channels), torch.nn.ReLU(), torch.nn.Linear(out_channels, out_channels), ) def forward(self, x, edge_index): return self.propagate(edge_index, xx) def message(self, x_j, x_i): # x_j: 源节点, x_i: 目标节点 return self.mlp(torch.cat([x_i, x_j - x_i], dim-1))这是 PyG 最值钱的抽象换一个 GNN 架构 ≈ 重写一个message()。仓库在 torch_geometric/nn/conv/ 下内置了几十个现成卷积层常用的有层特点适合场景GCNConv最简洁对称归一化聚合节点分类基线GATConv多头注意力自动学习邻居权重邻居重要性差异大时SAGEConv归纳式泛化到未见节点大规模图GINConv理论上判别力最强分子图分类PointTransformerConv基于注意力无需预建边3D 点云多场景实战场景一社交/引文图上的节点分类节点分类是最常见的 GNN 任务预测每个节点属于哪个类别。GNN 做的事情本质上是把每个节点连同它的局部邻域一起编码成向量实战中模型选型可以按问题直觉走图是同质的、追求简单基线 →GCNConv邻居贡献不均匀大 V 和小粉丝影响不同→GATConv图是动态增长、模型要泛化到新节点 →SAGEConv。对应的完整训练脚本分别位于 examples/gcn.py、examples/gat.py、examples/reddit.py直接对照阅读即可。场景二3D 点云——同一套消息传递的另一种用法PyG 不只做离散图。3D 点云没有固定网格PyG 的做法是动态地按空间关系建边采样、分组、聚合、再采样层层压缩。仓库内置 PointNet、DGCNN、Point Transformer 等全套实现最小示例在 ShapeNet 点云上分类from torch_geometric.nn import PointNetConv, PointTransformerConv from torch_geometric.nn.pool import knn # PointNet: 在动态 kNN 图上做消息传递 最远点采样逐层降采样 x knn_interpolate(...) # 上采样时反向插值 x PointNetConv(3, 64)(x, pos, batch)完整可运行版本见 examples/pointnet2_classification.py 和 examples/dgcnn_classification.py——注意它们的写法与引文网络分类几乎没有区别这正是统一 API 的意义。场景三Graph Transformer——当消息传递不够用时消息传递是局部操作层数多了容易过平滑而且难以建模长程关系。Graph Transformer 把全图自注意力引入 GNN代价是需要给节点补充空间编码。PyG 内置了GraphTransformer模块torch_geometric/nn/models/graph_transformer.pyfrom torch_geometric.nn.models import GraphTransformer model GraphTransformer(64, heads1) out model(data.x, data.edge_index)另一个值得关注的变体是 NeurIPS 2022 的 GPS 模型——用局部消息传递 全局注意力双通道结构兼顾表达能力和效率官方示例在 examples/graph_gps.py如果你做的是分子性质预测QM9、PCQM4M可以直接用封装好的 SchNet / DimeNet 模型from torch_geometric.nn.models import SchNet model SchNet(hidden_channels128, num_filters128)参考 examples/qm9_pretrained_schnet.py。 当图大到装不进显存规模化训练与性能优化真实业务里的图论文引用网、社交网络、知识图谱动辄百万节点整图前向在显存上不可行。PyG 的解法不是更大的 GPU而是小批量图学习from torch_geometric.loader import NeighborLoader # 每个 batch 只加载种子节点的 2 层子图先取 25 个邻居再取 10 个 loader NeighborLoader( data, num_neighbors[25, 10], batch_size512, shuffleTrue, input_nodesdata.train_idx, # 以训练节点为种子 ) for batch in loader: out model(batch.x, batch.edge_index) loss criterion(out[batch.train_mask], batch.y[batch.train_mask])num_neighbors[25, 10]的含义是2 层模型中第一层每个节点看 25 个邻居、第二层每个节点看 10 个子图规模从此与全图大小解耦。PyG 提供了多种采样策略可按场景选择加载器方法适用场景实现位置NeighborLoader逐层邻居采样通用最常用同质/异构图均支持torch_geometric/loader/neighbor_loader.pyClusterLoaderCluster-GCN 先聚类再按簇批处理深度 GCNtorch_geometric/loader/cluster.pyGraphSAINTSampler随机游走/节点/边采样需要完整连通子图torch_geometric/loader/graph_saint.pyShaDowKHopSampler解耦深度与感受野超大规模图torch_geometric/loader/shadow.py如果单机也不够PyG 2.x 把分布式做成了一等公民先用Partitioner把图切分到多台机器边界节点复制再在每台机器上用DistNeighborLoader采样跨机器的邻居访问通过 RPC 透明完成完整的多节点采样流程可以参考 examples/distributed/ 和 examples/multi_gpu/含 Papers100M 级别的大图 GCN 示例。还有两个低垂果实级的优化值得顺手做torch.compile兼容PyG 的算子与 PyTorch 编译栈对齐模型加一行model torch.compile(model)即可examples/compile/ 提供了 GCN/GIN 两个样例CPU 亲和性CPU Affinity在 CPU 上训练时让数据加载进程绑定到非计算核能显著减少训练时间。官方基准显示在 GCNReddit 上相比基线快 1.76 倍配合AffSocketSep最高 2.9 倍 生态140 数据集、百个示例和能自动做实验的 GraphGymPyG 的周边设施对新手尤其友好不用自己搭数据管道数据集torch_geometric/datasets/ 内置 140 个标准数据集统一Planetoid、TUDataset风格的加载接口dataset[0]直接得到 Data 对象数据变换torch_geometric/transforms/ 下 60 个开箱即用的 transform加自环、GDC 扩散、位置编码等可用Compose串联示例examples/ 覆盖 100 个场景——异构图hetero/、链接预测、时序图tgn.py、可解释性explain/、多 GPU、TorchScript 部署jit/、C 推理cpp/扩展库pyg-lib高性能算子与采样、torch-scatter/torch_sparse稀疏运算加速均为可选依赖按需安装。更独特的是仓库内置的GraphGym——一个声明式实验框架你只写 YAML 配置文件它自动遍历 GNN 设计空间层内组件、层间连接、超参数批量跑实验并聚合结果在仓库根目录执行一条命令就能复现示例实验python graphgym/main.py --cfg graphgym/configs/pyg/example_node.yaml --repeat 3它同时支持节点分类、链接预测、图分类三类任务见 graphgym/run_single.sh做基线对比和超参搜索时比手写训练脚本省大量时间。学习地图四阶段从入门到生产几个具体的推进建议阶段一的验收标准能自己解释data.edge_index每一列的含义并独立跑通 Cora 训练循环阶段二建议直接读 torch_geometric/nn/conv/ 下 GCNConv、GATConv、SAGEConv 三个源文件每个都不长对照论文看message()的差异阶段三从 examples/ogbn_train.py 入手体会整图训练和采样训练在代码上的差别其实只有数据管道一层阶段四按任务选型需要快速出基线就用 GraphGym要部署就参考 examples/jit/ 的 TorchScript 导出流程。官方文档位于 docs/配套教程在 docs/source/tutorial/仓库变更历史见 CHANGELOG.md当前稳定版本线为 2.8.x。下一步行动如果你今天只做一件事把仓库拉到本地跑通这个命令然后逐行读它——git clone https://gitcode.com/GitHub_Trending/py/pytorch_geometric cd pytorch_geometric python examples/gcn.py跑通之后按本文的顺序依次替换成examples/gat.py、examples/reddit.py、examples/dgcnn_classification.py一周之内你就拥有了一套从节点分类、大规模图到点云的完整 GNN 工程能力。PyG 的设计目标就是让你像写 PyTorch 一样写图模型——剩下的就是你的业务问题了。【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 从零到生产：PyTorch Geometric 图神经网络开发完整实战指南
从零到生产PyTorch Geometric 图神经网络开发完整实战指南【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric从一个反直觉的问题说起假设你在做反欺诈要判断两笔转账是否属于同一个洗钱团伙。传统表格模型只能看单笔交易的金额、时间、金额频率这类特征但团伙作案的核心证据藏在转账关系网里——谁转给谁、资金绕了几手才到达。CNN 处理网格图像RNN 处理序列而关系网是典型的非欧几里得结构这两者都用不上。这正是**图神经网络GNN**的主场也是 **PyTorch GeometricPyG**要解决的问题它是构建在 PyTorch 之上的图神经网络开发库把节点特征矩阵 边连接矩阵变成了和 Tensor 一样自然的操作对象让你用写普通 PyTorch 模型的方式写 GNN。它的核心承诺只有两条简单任务 10-20 行代码跑通真实生产环境百万节点、异构图、多机训练有对应的扩展方案。下面所有内容都以仓库 torch_geometric/ 的真实代码路径为锚点。 5 分钟装好并跑通第一个 GCNPyG 2.3 之后的安装极其干净——只依赖 PyTorch 本身pip install torch_geometric需要更高性能GPU 加速的采样、聚类等算子时再按需安装pyg-lib、torch-scatter、torch_sparse三个可选扩展库基础用法完全不强制。装好后用一个经典任务建立信心在 Cora 引文网络约 2708 个论文节点、5400 条引用边上做论文分类。核心就是两层GCNConv 一个propagateimport torch from torch_geometric.nn import GCNConv from torch_geometric.datasets import Planetoid dataset Planetoid(root./data, nameCora) data dataset[0] # 一个图data.x 是节点特征data.edge_index 是边 class GCN(torch.nn.Module): def __init__(self): super().__init__() self.conv1 GCNConv(dataset.num_features, 16) self.conv2 GCNConv(16, dataset.num_classes) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() return self.conv2(x, edge_index) model GCN() optimizer torch.optim.Adam(model.parameters(), lr0.01) for epoch in range(200): pred model(data.x, data.edge_index) loss torch.nn.functional.cross_entropy(pred[data.train_mask], data.y[data.train_mask]) optimizer.zero_grad(); loss.backward(); optimizer.step()整个仓库的完整训练/评估版本在 examples/gcn.py本地可以直接python examples/gcn.py跑起来。看懂上面代码只需要记住 PyG 的两个数据结构字段形状含义x[num_nodes, in_channels]每个节点一个特征向量edge_index[2, num_edges]每列(src, dst)描述一条有向边有了这两个约定图就变成了普通张量 索引后面所有 API 都围绕它们展开。核心机制消息传递Message Passing一张图讲透所有主流 GNN 层GCN、GAT、SAGE、GIN……都遵循同一套流程邻居发消息 → 目标节点聚合 → 更新自身表示。PyG 把它抽象成基类 MessagePassing你只需要重写message()定义每条边发什么消息聚合方式add/mean/max通过构造参数指定以论文中的 EdgeConv 为例从公式到可运行代码只需要十行左右from torch_geometric.nn import MessagePassing class EdgeConv(MessagePassing): def __init__(self, in_channels, out_channels): super().__init__(aggrmax) # 聚合方式max self.mlp torch.nn.Sequential( torch.nn.Linear(2 * in_channels, out_channels), torch.nn.ReLU(), torch.nn.Linear(out_channels, out_channels), ) def forward(self, x, edge_index): return self.propagate(edge_index, xx) def message(self, x_j, x_i): # x_j: 源节点, x_i: 目标节点 return self.mlp(torch.cat([x_i, x_j - x_i], dim-1))这是 PyG 最值钱的抽象换一个 GNN 架构 ≈ 重写一个message()。仓库在 torch_geometric/nn/conv/ 下内置了几十个现成卷积层常用的有层特点适合场景GCNConv最简洁对称归一化聚合节点分类基线GATConv多头注意力自动学习邻居权重邻居重要性差异大时SAGEConv归纳式泛化到未见节点大规模图GINConv理论上判别力最强分子图分类PointTransformerConv基于注意力无需预建边3D 点云多场景实战场景一社交/引文图上的节点分类节点分类是最常见的 GNN 任务预测每个节点属于哪个类别。GNN 做的事情本质上是把每个节点连同它的局部邻域一起编码成向量实战中模型选型可以按问题直觉走图是同质的、追求简单基线 →GCNConv邻居贡献不均匀大 V 和小粉丝影响不同→GATConv图是动态增长、模型要泛化到新节点 →SAGEConv。对应的完整训练脚本分别位于 examples/gcn.py、examples/gat.py、examples/reddit.py直接对照阅读即可。场景二3D 点云——同一套消息传递的另一种用法PyG 不只做离散图。3D 点云没有固定网格PyG 的做法是动态地按空间关系建边采样、分组、聚合、再采样层层压缩。仓库内置 PointNet、DGCNN、Point Transformer 等全套实现最小示例在 ShapeNet 点云上分类from torch_geometric.nn import PointNetConv, PointTransformerConv from torch_geometric.nn.pool import knn # PointNet: 在动态 kNN 图上做消息传递 最远点采样逐层降采样 x knn_interpolate(...) # 上采样时反向插值 x PointNetConv(3, 64)(x, pos, batch)完整可运行版本见 examples/pointnet2_classification.py 和 examples/dgcnn_classification.py——注意它们的写法与引文网络分类几乎没有区别这正是统一 API 的意义。场景三Graph Transformer——当消息传递不够用时消息传递是局部操作层数多了容易过平滑而且难以建模长程关系。Graph Transformer 把全图自注意力引入 GNN代价是需要给节点补充空间编码。PyG 内置了GraphTransformer模块torch_geometric/nn/models/graph_transformer.pyfrom torch_geometric.nn.models import GraphTransformer model GraphTransformer(64, heads1) out model(data.x, data.edge_index)另一个值得关注的变体是 NeurIPS 2022 的 GPS 模型——用局部消息传递 全局注意力双通道结构兼顾表达能力和效率官方示例在 examples/graph_gps.py如果你做的是分子性质预测QM9、PCQM4M可以直接用封装好的 SchNet / DimeNet 模型from torch_geometric.nn.models import SchNet model SchNet(hidden_channels128, num_filters128)参考 examples/qm9_pretrained_schnet.py。 当图大到装不进显存规模化训练与性能优化真实业务里的图论文引用网、社交网络、知识图谱动辄百万节点整图前向在显存上不可行。PyG 的解法不是更大的 GPU而是小批量图学习from torch_geometric.loader import NeighborLoader # 每个 batch 只加载种子节点的 2 层子图先取 25 个邻居再取 10 个 loader NeighborLoader( data, num_neighbors[25, 10], batch_size512, shuffleTrue, input_nodesdata.train_idx, # 以训练节点为种子 ) for batch in loader: out model(batch.x, batch.edge_index) loss criterion(out[batch.train_mask], batch.y[batch.train_mask])num_neighbors[25, 10]的含义是2 层模型中第一层每个节点看 25 个邻居、第二层每个节点看 10 个子图规模从此与全图大小解耦。PyG 提供了多种采样策略可按场景选择加载器方法适用场景实现位置NeighborLoader逐层邻居采样通用最常用同质/异构图均支持torch_geometric/loader/neighbor_loader.pyClusterLoaderCluster-GCN 先聚类再按簇批处理深度 GCNtorch_geometric/loader/cluster.pyGraphSAINTSampler随机游走/节点/边采样需要完整连通子图torch_geometric/loader/graph_saint.pyShaDowKHopSampler解耦深度与感受野超大规模图torch_geometric/loader/shadow.py如果单机也不够PyG 2.x 把分布式做成了一等公民先用Partitioner把图切分到多台机器边界节点复制再在每台机器上用DistNeighborLoader采样跨机器的邻居访问通过 RPC 透明完成完整的多节点采样流程可以参考 examples/distributed/ 和 examples/multi_gpu/含 Papers100M 级别的大图 GCN 示例。还有两个低垂果实级的优化值得顺手做torch.compile兼容PyG 的算子与 PyTorch 编译栈对齐模型加一行model torch.compile(model)即可examples/compile/ 提供了 GCN/GIN 两个样例CPU 亲和性CPU Affinity在 CPU 上训练时让数据加载进程绑定到非计算核能显著减少训练时间。官方基准显示在 GCNReddit 上相比基线快 1.76 倍配合AffSocketSep最高 2.9 倍 生态140 数据集、百个示例和能自动做实验的 GraphGymPyG 的周边设施对新手尤其友好不用自己搭数据管道数据集torch_geometric/datasets/ 内置 140 个标准数据集统一Planetoid、TUDataset风格的加载接口dataset[0]直接得到 Data 对象数据变换torch_geometric/transforms/ 下 60 个开箱即用的 transform加自环、GDC 扩散、位置编码等可用Compose串联示例examples/ 覆盖 100 个场景——异构图hetero/、链接预测、时序图tgn.py、可解释性explain/、多 GPU、TorchScript 部署jit/、C 推理cpp/扩展库pyg-lib高性能算子与采样、torch-scatter/torch_sparse稀疏运算加速均为可选依赖按需安装。更独特的是仓库内置的GraphGym——一个声明式实验框架你只写 YAML 配置文件它自动遍历 GNN 设计空间层内组件、层间连接、超参数批量跑实验并聚合结果在仓库根目录执行一条命令就能复现示例实验python graphgym/main.py --cfg graphgym/configs/pyg/example_node.yaml --repeat 3它同时支持节点分类、链接预测、图分类三类任务见 graphgym/run_single.sh做基线对比和超参搜索时比手写训练脚本省大量时间。学习地图四阶段从入门到生产几个具体的推进建议阶段一的验收标准能自己解释data.edge_index每一列的含义并独立跑通 Cora 训练循环阶段二建议直接读 torch_geometric/nn/conv/ 下 GCNConv、GATConv、SAGEConv 三个源文件每个都不长对照论文看message()的差异阶段三从 examples/ogbn_train.py 入手体会整图训练和采样训练在代码上的差别其实只有数据管道一层阶段四按任务选型需要快速出基线就用 GraphGym要部署就参考 examples/jit/ 的 TorchScript 导出流程。官方文档位于 docs/配套教程在 docs/source/tutorial/仓库变更历史见 CHANGELOG.md当前稳定版本线为 2.8.x。下一步行动如果你今天只做一件事把仓库拉到本地跑通这个命令然后逐行读它——git clone https://gitcode.com/GitHub_Trending/py/pytorch_geometric cd pytorch_geometric python examples/gcn.py跑通之后按本文的顺序依次替换成examples/gat.py、examples/reddit.py、examples/dgcnn_classification.py一周之内你就拥有了一套从节点分类、大规模图到点云的完整 GNN 工程能力。PyG 的设计目标就是让你像写 PyTorch 一样写图模型——剩下的就是你的业务问题了。【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考