标签：图论 num self torch edge Task01 geometric 节点 PyG
Task01：简单图论与环境配置与PyG
一、简单图论
具体可以参考datawhale开源资料
结合以上知识，概括图在药物发现领域的简要概念（待补充）：
定义一（分子图）：
- 分子图被记为 G = { V , E } \mathcal{G}=\{\mathcal{V}, \mathcal{E}\} G={V,E}，其中 V = { v 1 , … , v N } \mathcal{V}=\left\{v_{1}, \ldots, v_{N}\right\} V={v1,…,vN}是数量为 N = ∣ V ∣ N=|\mathcal{V}| N=∣V∣ 的原子的集合， E = { e 1 , … , e M } \mathcal{E}=\left\{e_{1}, \ldots, e_{M}\right\} E={e1,…,eM} 是数量为 M M M 的化学键的集合。
分子图结构数据上的机器学习
- 节点预测：预测节点的类别或某类属性的取值
- 例子：预测原子类型、可以用于分子表示的预训练（如Bert中的MLM）
- 边预测：预测两个节点间是否存在链接
- 例子：蛋白质相互作用，药物相互作用
- 图的预测：对不同的图进行分类或预测图的属性
- 例子：分子属性预测
- 节点聚类：检测节点是否形成一个社区
- 例子：官能团（motif）的识别
- 其他任务
- 图生成：例如分子生成
- 逆反应合成
- ……
二、环境配置
在自己的电脑和实验室服务器上分别安装。首先，查看电脑上安装的pytorch版本以及服务器上安装的pytorch版本和cudatoolkit版本：
安装正确版本的PyG
# 通用形式
pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-${TORCH}+${CUDA}.html
pip install torch-geometric
# 电脑安装
pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.8.0+cpu.html
pip install torch-geometric
# 服务器安装
pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.7.0+cu101.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-1.7.0+cu101.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-1.7.0+cu101.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.7.0+cu101.html
pip install torch-geometric
测试是否安装成功：
三、PyG中图与图数据集的表示和使用
PyTorch Geometric Library (简称 PyG) 是一个面向几何深度学习的PyTorch的扩展库，几何深度学习指的是应用于图和其他不规则、非结构化数据的深度学习。基于PyG库，我们可以轻松地根据数据生成一个图对象，然后很方便的使用它；我们也可以容易地为一个图数据集构造一个数据集类，然后很方便的将它用于神经网络。PyG的作者是Matthias Fey，他的主页是Github。
Data和Dataset对象的创建
这里先贴几个相关链接，阅读这些内容会对Data和Dataset类有很直观的理解：
使用datawhale开源代码下载Planetoid中Cora数据集的时候遇到了问题：
from torch_geometric.datasets import Planetoid
dataset = Planetoid(root='/dataset/Cora', name='Cora')
# Cora()
- 报错1：因为防火墙原因不能稳定访问github，可以通过修改数据集的url链接来解决，具体可以见这篇文章。
- 报错2：按道理更改url之后，能正常的下载数据集，学习群里面的很多人都能正常下载，但是我却发生了下面的错误：
这应该是下载的数据出现了错误。最终的解决方法是，直接将从github下载好的数据替换掉原有的数据，数据加载成功。
四、作业
- 请通过继承
Data类实现一个类，专门用于表示“机构-作者-论文”的网络。该网络包含“机构“、”作者“和”论文”三类节点，以及“作者-机构“和“作者-论文“两类边。对要实现的类的要求：1）用不同的属性存储不同节点的属性；2）用不同的属性存储不同的边（边没有属性）；3）逐一实现获取不同节点数量的方法。
# Data类的构造函数：
'''
【OAP，机构-作者-论文】
O-Orginazation,机构；
A-Author,作者；
P-Paper,论文
'''
import torch
from torch_geometric.data import Data
class OAP_Data(Data):
def __init__(self, x_O=None, x_A=None, x_P=None, edge_index_A_O=None, edge_index_A_P=None, edge_attr_A_O=None, edge_attr_A_P=None, y=None, **kwargs):
r"""
Args:
x_O (Tensor, optional): 节点属性矩阵，大小为`[num_nodes_O, num_node_O_features]`
x_A (Tensor, optional): 节点属性矩阵，大小为`[num_nodes_A, num_node_A_features]`
x_P (Tensor, optional): 节点属性矩阵，大小为`[num_nodes_P, num_node_P_features]`
edge_index_A_O (LongTensor, optional): 边索引矩阵，大小为`[2, num_edges_A_O]`，第0行为尾节点，第1行为头节点，头指向尾
edge_index_A_P (LongTensor, optional): 边索引矩阵，大小为`[2, num_edges_A_P]`，第0行为尾节点，第1行为头节点，头指向尾
edge_attr_A_O (Tensor, optional): 边属性矩阵，大小为`[num_edges_A_O, 1]` # 边没有属性，故列为1
edge_attr_A_P (Tensor, optional): 边属性矩阵，大小为`[num_edges_A_P, 1]` # 边没有属性，故列为1
y (Tensor, optional): 节点或图的标签，任意大小（也可以是边的标签）
"""
self.x_O = x_O # 机构类节点
self.x_A = x_A # 作者类节点
self.x_P = x_P # 论文类节点
self.edge_index_A_O = edge_index_A_O # 作者-机构边的序号
self.edge_index_A_P = edge_index_A_P # 作者-论文边的序号
# 边没有属性
self.edge_attr_A_O = edge_attr_A_O # 作者-机构边的属性
self.edge_attr_A_P = edge_attr_A_P # 作者-论文边的属性
self.y = y # 标签
# 实例方法
@property
def num_nodes_O(self):
return self.x_O.shape[0] # 机构节点数量
@property
def num_nodes_A(self):
return self.x_A.shape[0] # 作者节点数量
@property
def num_nodes_P(self):
return self.x_P.shape[0] # 论文节点数量
@property
def num_edges_A_O(self):
return self.edge_index_A_O.shape[1] # 作者-机构边数量
@property
def num_edges_A_P(self):
return self.edge_index_A_P.shape[1] # 作者-论文边数量
# 构造数据：假设作者为3，出版机构为4，论文共5篇
x_A = torch.randn(3, 6)
x_P = torch.randn(5, 7)
x_O = torch.randn(4, 5)
# 节点连接关系
edge_index_A_P = torch.tensor([
[0, 1, 2, 3, 4],
[5, 5, 5, 6, 7],
])
edge_index_A_O = torch.tensor([
[8, 9, 10, 11],
[5, 6, 7, 5],
])
# 构造dict对象
OAP_graph_dict = {
'x_O': x_O,
'x_A': x_A,
'x_P': x_P,
'edge_index_A_O': edge_index_A_O,
'edge_index_A_P': edge_index_A_P,
}
# 转dict对象为Data对象
OAP_graph_data = OAP_Data.from_dict(OAP_graph_dict)
# 获取OAP图上不同节点、不同边的数量
print(f'Number of orginazation nodes：{OAP_graph_data.num_nodes_O}') # 节点数量
print(f'Number of author nodes：{OAP_graph_data.num_nodes_A}') # 机构数量
print(f'Number of paper nodes：{OAP_graph_data.num_nodes_P}') # 论文数量
print(f'Number of author-orginazation edges：{OAP_graph_data.num_edges_A_O}') # 作者-机构边数量
print(f'Number of author-paper edges： {OAP_graph_data.num_edges_A_P}') # 作者-论文边数量
# 输出
Number of orginazation nodes：4
Number of author nodes：3
Number of paper nodes：5
Number of author-orginazation edges：4
Number of author-paper edges： 5
标签：图论,num,self,torch,edge,Task01,geometric,节点,PyG 来源： https://blog.csdn.net/m0_46306014/article/details/117962587
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。