企业官网建设流程全解析

PyTorch Geometric 图神经网络实战入门：最短安装路径与最小可运行示例

【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

PyTorch Geometric（简称 PyG）是构建在 PyTorch 之上的图神经网络库：它把节点、边、图这些"不规则数据"变成普通张量，让你用十几行代码就能训练 GCN、GAT 等 GNN 模型。读完本文，你会完成从 pip 安装到跑通一个真实数据集（Cora 论文引用图分类）的完整流程，并知道遇到问题时该去仓库哪个目录找答案。

为什么你需要 PyG

如果你做过图像分类，应该知道一张图片就是一个规整的二维张量。但现实世界里大量数据没有这种规整形状：社交网络里谁关注谁、分子中原子如何成键、知识图谱中实体如何关联——它们都是"图"。用普通神经网络直接吃图数据，你得自己处理邻居聚合、变长结构这些麻烦事。PyG 把这些脏活全包了：内置 100 多个数据集、几十种现成的 GNN 层，你只写"把哪一层接哪一层"，剩下交给库。

安装与首次验证

最短安装路径就一条命令（前提是已装好 PyTorch）：

pip install torch_geometric

从 PyG 2.3 起，核心功能不再依赖额外扩展库，装完即可用。装完立刻验证一下，跑这段代码：

import torch from torch_geometric.data import Data x = torch.tensor([[1.0], [2.0], [3.0]]) # 3 个节点的特征 edge_index = torch.tensor([[0, 1], [1, 2]]) # 0->1->2 一条链 data = Data(x=x, edge_index=edge_index) print(data)

预期效果：终端会打印出Data(x=[3, 1], edge_index=[2, 2])这样的摘要。看到这个输出，说明"图数据"这个核心对象已经在你的环境里跑起来了。

最小完整示例：三步训练一个 GCN

下面这个例子能完整跑起来：加载数据、定义模型、训练并评估。它做的是"论文分类"——Cora 数据集里每篇论文是一个节点，两篇论文互相引用就有一条边，目标是根据引用关系和论文内容，判断每篇论文属于哪个领域（机器学习、计算机视觉等 7 类）。

生活化类比：想象你要判断一个新朋友属于哪个圈层，最靠谱的方式不是听他自我介绍，而是看他跟谁走得近。GCN 干的就是这件事——"看邻居"。

第一步，加载数据并定义模型：

from torch_geometric.datasets import Planetoid from torch_geometric.nn import GCNConv dataset = Planetoid(root='data/Planetoid', name='Cora') data = dataset[0] 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)

第二步，写训练循环——你会发现它和训练任何 PyTorch 模型毫无区别：

import torch.nn.functional as F model = GCN() optimizer = torch.optim.Adam(model.parameters(), lr=0.01) for epoch in range(200): pred = model(data.x, data.edge_index) loss = F.cross_entropy(pred[data.train_mask], data.y[data.train_mask]) optimizer.zero_grad() loss.backward() optimizer.step()

训练时只需要train_mask标出的少量节点作为监督信号，验证和测试节点完全留白——这正是半监督节点分类的形态。

第三步，看产出：

model.eval() with torch.no_grad(): pred = model(data.x, data.edge_index).argmax(dim=1) acc = int((pred[data.test_mask] == data.y[data.test_mask]).sum()) acc /= int(data.test_mask.sum()) print(f'Test Accuracy: {acc:.4f}')

跑完 200 轮后，测试集准确率通常在 0.80 上下波动，这是 GCN 在 Cora 上的标准水平。想要带调参和评估细节的完整版本，可以直接读仓库里的 examples/gcn.py，它是官方 Quick Tour 同款写法的加强版。

核心概念拆解

看懂上面代码后，只需要再记住下面这些抽象，PyG 的 API 就能自己读了：

两点补充说明：

• edge_index用的是 COO 坐标格式：第一行是边的起点编号，第二行是终点编号，第i列就描述第i条边。它不保存任何邻接矩阵，所以天然稀疏、省内存。
• 消息传递是 PyG 的统一抽象。每一层 Conv 做的事情都是"每个节点收集邻居信息、聚合、更新自己的特征"。读懂 torch_geometric/nn/conv/ 目录下任意一个*Conv.py，就能理解对应论文的模型结构。

真实场景走通：Cora 上的完整闭环

上一节的代码其实已经把完整闭环走了一遍，这里补充"从输入到输出"的数据流视角，帮你建立全局印象：

1. 输入：Planetoid(root='data/Planetoid', name='Cora')首次运行会自动下载数据到该目录，之后直接读缓存。Cora 有 2708 篇论文、5429 条引用边、1433 维词袋特征、7 个类别。
2. 处理：模型两层GCNConv逐节点聚合邻居特征；数据集自带的train_mask/val_mask/test_mask三个布尔向量划分出 140 / 500 / 1000 个节点，分别用于训练、验证、测试。
3. 输出：每个节点一个 7 维 logits 向量，argmax即预测类别。最终产出就是那个Test Accuracy: 0.8xxx的数字——它意味着模型仅用 140 个带标签节点，就看懂了整张引用网络。

如果换成你的业务，"论文领域分类"可以对应"用户流失预测"：节点是用户，边是社交关系，mask 是已知流失/留存的用户。数据结构不变，只是x换成了用户特征。

避坑与进阶

两个新手最高频的坑：

• 训练/评估模式不切换。forward里用了F.dropout却没在推理前调model.eval()，会导致每次评估结果都不一样。记住"训练循环里model.train()，评估前model.eval()"这个固定搭配，上面示例已经这么写了。
• 边方向写反。edge_index[0]是起点、edge_index[1]是终点，[[0, 1], [1, 0]]才是无向的 0-1 边，而[[0, 1], [0, 1]]是两条同向边。节点分类任务对方向通常不敏感，但做链接预测时方向就是答案本身，写反会直接归零。

进阶方向按难度排列：

• 大图采样：图大到显存装不下时，用NeighborLoader按层采样邻居，思路见 examples/reddit.py。
• 异构图：节点和边分多种类型（比如"作者-论文-期刊"），示例集中在 examples/hetero/。
• 点云与 3D 形状：PyG 不只处理 2D 图，PointNet、DGCNN 等点云模型都有现成实现，流程大致是"采样分组 → 局部网络 → 上采样"：

• 可解释性：想知道模型为什么给出某个预测，examples/explain/ 里的 GNNExplainer 系列脚本可以直接照抄。

资源入口

• torch_geometric/nn/：所有模型层与模型的源码目录，读代码学模型结构最快
• examples/：按任务分类的示例脚本，基本"改个数据集就能跑"
• torch_geometric/datasets/：内置数据集清单，每个文件就是一个数据集的加载器
• test/：全量单元测试，想看某个 API 的标准用法时，对应的 test 文件就是最好的说明书

装好、跑通 Cora、看懂Data和edge_index，你就已经站在了 PyG 的入门线上。剩下的事情只有一个：挑一个你自己的图数据，把它塞进Data对象里。

【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