图神经网络从零开始（Python实现图神经网络的完整入门指南）

准备工作：安装必要库

我们将使用 PyTorch Geometric（简称 PyG），这是 PyTorch 的一个扩展库，专为图神经网络设计。它提供了大量预定义的图数据集、GNN 层和实用工具。

首先，确保你已安装 PyTorch。然后运行以下命令安装 PyTorch Geometric：

# 安装 PyTorch Geometric（根据你的 PyTorch 版本选择对应命令）pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-2.0.0+cpu.html

第一步：加载图数据集

我们使用经典的 Cora 引文网络数据集。在这个数据集中，每篇论文是一个节点，引用关系是边，任务是预测论文的类别。

import torchfrom torch_geometric.datasets import Planetoiddataset = Planetoid(root='/tmp/Cora', name='Cora')data = dataset[0]  # Cora 只有一个图print(f'节点数: {data.num_nodes}')print(f'边数: {data.num_edges}')print(f'特征维度: {data.num_node_features}')print(f'类别数: {dataset.num_classes}')

第二步：构建图神经网络模型

我们将使用最基础的 GNN 层 —— GCNConv（Graph Convolutional Network）。它通过聚合邻居节点的特征来更新当前节点。

import torch.nn.functional as Ffrom torch_geometric.nn import GCNConvclass GCN(torch.nn.Module):    def __init__(self, num_features, hidden_channels, num_classes):        super().__init__()        self.conv1 = GCNConv(num_features, hidden_channels)        self.conv2 = GCNConv(hidden_channels, num_classes)    def forward(self, x, edge_index):        x = 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)model = GCN(    num_features=dataset.num_node_features,    hidden_channels=16,    num_classes=dataset.num_classes)

第三步：训练与评估

我们只在训练集上训练，在测试集上评估。注意：图数据中通常只有部分节点有标签。

optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)def train():    model.train()    optimizer.zero_grad()    out = model(data.x, data.edge_index)    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])    loss.backward()    optimizer.step()    return lossdef test():    model.eval()    out = model(data.x, data.edge_index)    pred = out.argmax(dim=1)    acc = pred[data.test_mask] == data.y[data.test_mask]    return int(acc.sum()) / int(data.test_mask.sum())for epoch in range(1, 201):    loss = train()    if epoch % 50 == 0:        test_acc = test()        print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Test Acc: {test_acc:.4f}')

总结与进阶

恭喜你！你已经成功用 Python 实现了一个基础的图神经网络。通过这个例子，你掌握了图神经网络入门的关键步骤：加载图数据、定义 GNN 模型、训练与评估。

想深入学习？可以尝试以下方向：

• 使用更复杂的 GNN 层（如 GAT、GraphSAGE）
• 处理异构图或动态图
• 应用到实际场景：推荐系统、药物发现、交通预测等

记住，PyTorch Geometric 教程和官方文档是你最好的朋友。随着实践的深入，你会越来越熟悉图数据深度学习的奥秘！

希望这篇教程能为你打开图神经网络的大门。动手试试吧，代码是最好的老师！