上面通過torch_geometric自帶的方式創建了一個圖，本節使用networkx包來創建一個圖，代碼如下：

首先利用networkx創建edge數據：

import numpy as np import networkx as nx import matplotlib.pyplot as pltG = nx.Graph() edgelist = [(0,1),(0,2),(0,3),(1,3)] G.add_edges_from(edgelist)fig = plt.figure() ax = fig.add_subplot(1,1,1) option = {'font_family':'serif', 'font_size':'15', 'font_weight':'semibold'} nx.draw_networkx(G, node_size=400, **option) plt.show()

創建的邊：

然后利用networkx創建Data對象

首先需要安裝我們的測試數據pip install python-louvain -i https://pypi.douban.com/simple/

import torch from torch_geometric.data import InMemoryDataset, Data import community as community_louvain# x是節點特征矩陣，這里設為單位矩陣。 x = torch.eye(G.number_of_nodes(), dtype=torch.float)# adj是圖G的鄰接矩陣的稀疏表示，左邊節點對代表一條邊，右邊是邊的值，adj是對稱矩陣。 adj = nx.to_scipy_sparse_matrix(G).tocoo()# row是adj中非零元素所在的行索引 row = torch.from_numpy(adj.row.astype(np.int64)).to(torch.long) # col是adj中非零元素所在的列索引。 col = torch.from_numpy(adj.col.astype(np.int64)).to(torch.long)# 將行和列進行拼接，shape變為[2, num_edges], 包含兩個列表，第一個是row, 第二個是col edge_index = torch.stack([row, col], dim=0)

利用louvain算法對G進行社區劃分：

# Compute communities.用louvain算法對圖G進行社區劃分后的結果，可以看到0和2屬于一個社區，1和3屬于另一個社區。 partition = community_louvain.best_partition(G) # y就是節點的社區標簽。tensor([0, 1, 0, 1]) y = torch.tensor([partition[i] for i in range(G.number_of_nodes())])# 選擇訓練集. train_mask是訓練集的標簽，用于半監督節點分類任務，每類節點中只有一個節點的標簽設置為已知True，其他為未知False。 train_mask = torch.zeros(y.size(0), dtype=torch.bool) for i in range(int(y.max()) + 1):train_mask[(y == i).nonzero(as_tuple=False)[0]] = True

將數據加入到geometric中：

data = Data(x=x, edge_index=edge_index, y=y, train_mask=train_mask)

接下來就可以看看data中的自帶的函數了。

添加train_mask屬性

# 將data.train_mask取反，然后非0元素的索引 remaining = (~data.train_mask).nonzero(as_tuple=False).view(-1)# torch.randperm會隨機得到0到2的一個數字序列 remaining = remaining[torch.randperm(remaining.size(0))]data.test_mask = torch.zeros(y.size(0), dtype=torch.bool) data.test_mask.fill_(False)# tensor([False, False, True, True]) data.test_mask[remaining[:]] = True# ['edge_index', 'train_mask', 'x', 'y', 'test_mask'] print(data.keys)

從上面例子看到可以繼續添加test_mask屬性，設置某些節點為測試集。

節點分類

利用上面這個簡單的圖實現節點分類任務，類別就是上面louvain算法給出的社區類別。訓練數據為節點0和1，測試數據為節點2和3。

構建一個圖卷積神經網絡，包含兩個卷積層，第一層輸入維度為4，輸出維度為16；第二層輸入維度為16，輸出維度為2；第一層后面接上一個激活函數，并進行dropout操作。

import torch.nn.functional as F from torch_geometric.nn import GCNConvclass Net(torch.nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = GCNConv(data.num_node_features, 16)self.conv2 = GCNConv(16, 2)def forward(self):x, edge_index = data.x, data.edge_indexx = 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)device = torch.device('cuda:1' if torch.cuda.is_available() else 'cpu') model = Net().to(device) data = data.to(device)optimizer = torch.optim.Adam([dict(params=model.conv1.parameters(), weight_decay=5e-4),dict(params=model.conv2.parameters(), weight_decay=0) ], lr=0.01) # Only perform weight-decay on first convolution.def train():optimizer.zero_grad() out = model()loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])print('train loss', loss.item())loss.backward()optimizer.step()def test():model.eval()logits, accs = model(), []for _, mask in data('train_mask', 'test_mask'):pred = logits[mask].max(1)[1]acc = pred.eq(data.y[mask]).sum().item() / mask.sum().item()accs.append(acc)return accsfor epoch in range(1, 51):train()log = 'Epoch: {:03d}, Train: {:.4f}, Test: {:.4f}'print(log.format(epoch, *test()))

總結

以上是生活随笔為你收集整理的PYG教程【二】使用networkx创建一个PYG图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。