1、Data
首先需要从数据入手，了解怎么把数据处理成能输入到模型中的格式，geometric中是torch_geometric.data包，其中torch_geometric.data.Data是组织数据的具体形式，用来规范单个样本的格式，它包含一下参数（可选）：
x: 图中节点的特征矩阵，大小是[num_nodes, num_node_features] ，即[节点数量，节点特征维度] ，数据类型一般是torch.float；
edge_index: COO形式的边邻接表，大小是 [2, num_edges]，即只存储存在边的节点对，其中第一行是边出发节点，第二行对应位置是边指向节点，数据类型是torch.long。如果是无向图，那么1->2,2->1，都要存储；
edge_attr: 边的特征矩阵，大小是[num_edges, num_edge_features]，即[边数量，边特征维度]；
y: 标签，如果是节点级的标签，大小是[num_nodes, *]，如果是图级标签，大小是[1, *]，数据类型一般是torch.float；
pos:节点的位置矩阵，大小是 [num_nodes, num_dimensions]（这个参数我不太懂，一般也用不着）；
举个栗子：
有4个结点，每个节点有两个特征，有自己的类别标签，是个有向图
import torch
from torch_geometric.data import Data
x = torch.tensor([[2,1], [5,6], [3,7], [12,0]], dtype=torch.float)
y = torch.tensor([0, 1, 0, 1], dtype=torch.float)
edge_index = torch.tensor([[0, 1, 2, 0, 3], [1, 0, 1, 3, 2]], dtype=torch.long) #应该与节点对顺序无关，这个顺序怎么写都行
data = Data(x=x, y=y, edge_index=edge_index)
这个data有一些属性函数：
data.keys : ['x', 'edge_index', 'y'] #可以吧data看成是一个字典类似的数据结构
data.num_nodes ：4
data.num_edges ：5
还有一些官方文档上的data.num_node_features，data.has_isolated_nodes()，data.has_self_loops()，data.is_directed()等很多功能，我的geometric版本是1.7.2，也可以看源码。
以上是同质图，也就是图中节点种类一致，geometric也支持异质图（latest版中），但现在我安装不了latest版本，之后再研究如何升级版本，想研究一下异构，先码住。
from torch_geometric.data import HeteroData
data = HeteroData()
#创建两种类别的节点特征矩阵
num_posts = 5
num_posts_features = 25
num_users = 3
num_users_features = 10
data['post'].x = torch.randn(num_posts, num_posts_features)
data['user'].x = torch.randn(num_users, num_users_features)
#创建一种边的类别
data['user', 'writes', 'post'].edge_index =... # [2, num_edges]
终于安装高版本的geometric了，折腾了一天，之前一直因为其他依赖包出错而不能升级，妥了。
2、Dataset
因为Data只是单个样本，所以需要构建一个数据集，把它们组织在一起，方便调用，参数如下：
root (string, optional) ：用于存储该数据集的根目录，默认为none；
transform (callable, optional) ：默认为none，对Data对象进行变换的函数（类比CV里面对图像进行裁剪啊，缩放啊，旋转啊之类），返回一个变换后的数据，但这种变换不会保存下来，每次读取的时候变换完了存在内存里；
pre_transform (callable, optional) ：默认为none，这个变换后的数据就会存在磁盘里，之后直接读取变换完的数据；
pre_filter (callable, optional) ：默认为none，返回一个布尔值，表示这个数据是否会在最终的dataset中，相当于过滤器
先看它具有的属性：
self.raw_dir = self.root + 'raw' #是存放原始数据的路径
self.processed_dir = self.root + 'processed' #是存放处理后的数据的路径
self.raw_file_names 获取self.raw_dir下的文件名信息
self.processed_file_names 获取self.processed_dir下的文件名信息
self.num_node_features 每个节点的特征维度
再看它支持的函数：
download()：将数据下载并存放到self.raw_dir下
process()：处理数据，并将处理后的数据存放到self.processed_dir下
len() : 数据包长度
get (idx：int) : 根据idx索引从processed_dir下的数据中返回其中对应的单个图数据
shuffle () : 混淆dataset中的数据样本，默认为false
dataset支持切片操作，可以用于划分数据集。
dataset还有一类是torch_geometric.data.InMemoryDataset，它是继承torch_geometric.data.Dataset，如果数据是存到CPU内存中计算，就用torch_geometric.data.InMemoryDataset，如果是GPU，就用torch_geometric.data.Dataset，我使用GPU，就先学Dataset.
官方给出的自定义Dataset代码:
3. DataLoader
dataloader的作用是从dataset中分批次取数据样本送入模型，可以一个一个取，也可以一个mini_batch取，也可以全部取。
参数如下：
dataset：上面Dataset类的实例化对象
batch_size ：int，你的batch的大小，默认为1
shuffle ：布尔值，是否打乱每个epoch时从dataset中取mini_batch的顺序，默认为false
follow_batch : 是一个列表或元组，为列表或元组中的每个值赋一个批处理向量（没太懂）
exclude_keys ：是一个列表或元组，其中包含的值会被从dataset中去掉
dataloader取出的每个minibatch的数据类型是torch_geometric.data.Batch （继承自torch_geometric.data.Data）。Batch类型有一个属性是batch，它是一个列向量，表示这个minibatch中每个节点对应的图数据的编号：
假如这个minibatch有n个图，那么batch = [0,..0,1,...,1,2,...,2,...n-1,...,n-1]，这个属性的作用是可以结合scatter_mean()函数求每个图的所有节点在各个维度的平均值，scatter_mean(data.x,data.batch,dim=0)。
网友评论