import torch_geometric 的Data 查看

​​​​​​欢迎关注专栏torch_geometric

 

Data Handling of Graphs

一个处理图库的torch_geometric. 我也是看别人共享代码时发现了这个类，和平常的类格格不入。

 torch_geometric.data.Data, 它可以简单的表示一个图数据。其含有以下属性

• data.x: 节点特征[节点个数，节点特征维度] [num_nodes, num_node_features]

• data.edge_index: 必须是这个shape[2, num_edges] and type torch.long。必须是序号性质的。首先你的data.x 就决定了各个节点的顺序index 。然后按照这个序号指定边，边的第一行是源节点，第二个节点是目标节点。

• data.edge_attr: 边的特征表示 [num_edges, num_edge_features]

• data.y: 一个图数据的标签，可以是节点分类任务 [num_nodes, *] ，也可以是图分类任务 [1, *]

• data.pos: 点的坐标，如点在三维坐标系，num_dimensions 就是3 [num_nodes, num_dimensions]

我们可以扩展Data 的属性列表，比如起个 data.face 以表达3d点云中face 的概念。利用点的序号指定哪三个点组成一个面。 [3, num_faces] and type torch.long.

一堆可运行的例子

例子① 

import torch
from torch_geometric.data import Data

edge_index = torch.tensor([[0, 1, 1, 2],
                           [1, 0, 2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)

data = Data(x=x, edge_index=edge_index)
>>> Data(edge_index=[2, 4], x=[3, 1])

或者edge_index 的第二种写法

例子②

import torch
from torch_geometric.data import Data

edge_index = torch.tensor([[0, 1],
                           [1, 0],
                           [1, 2],
                           [2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)

data = Data(x=x, edge_index=edge_index.t().contiguous())
>>> Data(edge_index=[2, 4], x=[3, 1])

让我们输出构建的图数据信息。

print(data.keys)
>>> ['x', 'edge_index']

print(data['x'])
>>> tensor([[-1.0],
            [0.0],
            [1.0]])

for key, item in data:
    print(f'{key} found in data')
>>> x found in data
>>> edge_index found in data

'edge_attr' in data
>>> False

data.num_nodes
>>> 3

data.num_edges
>>> 4

data.num_node_features
>>> 1

data.has_isolated_nodes()
>>> False

data.has_self_loops()
>>> False

data.is_directed()
>>> False

# Transfer data object to GPU.
device = torch.device('cuda')
data = data.to(device)