标签: pytorch-geometric

如何将我自己的数据集转换为可供 pytorch 几何图形神经网络使用的数据集？

所有教程都使用已转换为可由 pytorch 使用的现有数据集。例如，如果我有自己的点云数据集，如何使用它来训练图神经网络的分类？我自己的分类图像数据集怎么样？

目标：我正在尝试将网络中的图形导入 PyTorch 几何图形并设置标签和节点特征。

（这是Python中的）

问题）：

1. 我该如何做到这一点[从networkx到PyTorch几何的转换]？（大概是通过使用该from_networkx功能）
2. 如何传输节点特征和标签？（更重要的问题）

我看过一些其他/以前的帖子有这个问题，但他们没有得到回答（如果我错了，请纠正我）。

尝试：（我刚刚在下面使用了一个不切实际的例子，因为我无法在这里发布任何真实的内容）

让我们想象一下我们正在尝试在一组汽车上执行图形学习任务（例如节点分类）（正如我所说的不太现实）。也就是说，我们有一组汽车、一个邻接矩阵和一些特征（例如年底的价格）。我们想要预测节点标签（即汽车的品牌）。

我将使用以下邻接矩阵：（抱歉，不能使用乳胶来格式化它）

A = [(0, 1, 0, 1, 1), (1, 0, 1, 1, 0), (0, 1, 0, 0, 1), (1, 1, 0, 0, 0) , (1, 0, 1, 0, 0)]

这是代码（适用于 Google Colab 环境）：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx
from torch_geometric.utils.convert import to_networkx, from_networkx
import torch

!pip install torch-scatter torch-sparse torch-cluster …

我试图找到图中负边和正边的解释，如函数 train_test_split_edges Pytorch Geometric doc开头所述。根据文档文件，它说该函数应该将图分成“正和负训练/验证/测试边缘”。就此而言，正边缘或负边缘的含义是什么？根据代码，正边“似乎”是图的邻接矩阵的上三角形中的边的连接，负边是邻接矩阵的下三角形中的边。因此，如果 (1,0) 被认为是正边，那么在无向图中 (0,1) 就是负边。我对么？我没有找到任何有关图表中正边缘/负边缘含义的信息。

您好，可视化 pyg HeteroData 对象的好方法是什么？（定义类似：https://pytorch-geometric.readthedocs.io/en/latest/notes/heterogeneous.html#creating-heterogeneous-gnns）

我尝试使用networkx，但我认为它仅限于同构图（可以转换它，但信息量要少得多）。

g = torch_geometric.utils.to_networkx(data.to_homogeneous(), to_undirected=False )

有人尝试用其他 python lib (matplotlib) 或 js (sigma.js/d3.js) 来做到这一点吗？

您可以分享任何文档链接吗？

我想在 Pytorch Geometric 中处理加权无向图。节点特征是50维的。我发现这可以通过类x的属性来处理torch_geometric.data.data。边的权重是标量值。我们发现edge_attr和edge_weight是处理边缘的属性。

我想我应该使用edge_weight，这是正确的吗？

edge_attr另外，和 之间有什么区别edge_weight？

我的英语不太好，所以对此我深表歉意。我希望我能得到一个好的答案。

谢谢。

我自己有一个数据集，该数据集包含两个类，比方说0和1。此外，还有很大一部分类的节点未标记。我的目标是使用 GCN 预测这些未标记的节点。但我对如何处理 Pytorch Geometric 中这些未标记的节点感到困惑。

据我所知，我可以将节点标记为 3 类：0、1 和未知。但如果我这样做，这意味着我试图将数据集分为三类？（但这不是我想要的，因为未知不是一个类）。

处理这些节点的另一种方法是忽略它们，只需在标记的节点上运行 PyG 即可。但这样看来，这些未标记的节点（具有特征）在数据集中似乎没有用处？

我的数据对象有data.adj_t参数，给我稀疏邻接矩阵。我怎样才能从中得到edge_index尺寸张量？[2, num_edges]

问题：将图形从networkxpytorch 几何图形转换为图形时如何保留节点顺序/标签？

代码：（在 Google Colab 中运行）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx

import torch
from torch.nn import Linear
import torch.nn.functional as F
torch.__version__

# install pytorch geometric
!pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.10.0+cpu.html

from torch_geometric.nn import GCNConv
from torch_geometric.utils.convert import to_networkx, from_networkx

# Make the networkx graph
G = nx.Graph()

# Add some cars 
G.add_nodes_from([
      ('Ford', {'y': 0, 'Name': 'Ford'}),
      ('Lexus', {'y': 1, …

我有两个张量

# losses_q
tensor(0.0870, device='cuda:0', grad_fn=<SumBackward0>)
# this_loss_q
tensor([0.0874], device='cuda:0', grad_fn=<AddBackward0>)

当我尝试连接它们时，pytorch 会引发错误：

losses_q = torch.cat((losses_q, this_loss_q), dim=0)

RuntimeError: zero-dimensional tensor (at position 0) cannot be concatenated

如何解决这个错误？

我意识到torch_geometric 库提供了全局池化层和池化层，但我真的不明白这两个层在应用于图神经网络时有什么区别？

我正在用 python 编写并收到错误：

“抛出'std :: bad_alloc'实例后调用终止。what
（）：std :: bad_alloc。
中止（核心转储）”

经过大量的调试，我发现问题的根源是：

import torch_geometric

我什至只用这行代码创建了一个文件，但仍然收到错误。
我正在 conda 环境（4.10.3）中运行，我确保在 conda 环境中安装了 torch_geometric。我尝试删除并重新安装，但这不起作用。
我还尝试删除并重新安装 torch/cuda。
我用谷歌搜索了这个错误，但似乎只提出了数据分配方面的问题，但我不确定这会是一个问题，因为我只是导入 torch_geometric。

有任何想法吗？