pyg专题
GNN-第三方库：PyTorch Geometric Temporal【PyG的一个时间图神经网络扩展库】
PyTorch Geometric Temporal 是PyTorch Geometric（PyG）的一个时间图神经网络扩展库。它建立在开源深度学习和图形处理库之上。 GitHub源码：benedekrozemberczki/pytorch_geometric_temporal PyTorch Geometric Temporal由最先进的深度学习和参数学习方法组成，用于处理时空信号。 Py
Pytorch Geometric(PyG)入门
PyG (PyTorch Geometric) 是建立在 PyTorch 基础上的一个库，用于轻松编写和训练图形神经网络 (GNN)，适用于与结构化数据相关的各种应用。官方文档 Install PyG PyG适用于python3.8-3.12 一般使用场景：pip install torch_geometric 或conda install pyg -c pyg Get Started P
详细讲一下PYG 里面的torch_geometric.nn.conv.transformer_conv函数
1.首先先讲一下代码 这是官方给的代码：torch_geometric.nn.conv.transformer_conv — pytorch_geometric documentation import mathimport typingfrom typing import Optional, Tuple, Unionimport torchimport torch.nn.functio
【深度学习】pytorch 与 PyG 安装（pip安装）
【深度学习】pytorch 与 PyG 安装（pip安装） 一、PyTorch安装和配置（一）、安装 CUDA（二）、安装torch、torchvision、torchaudio三个组件（1）下载镜像文件（2）创建一个新的虚拟环境（3）加载.whl文件并测试安装是否成功 二、PyG 安装（一）安装 torch_scatter 、torch_sparse 、torch_cluster 、to
GAT学习：PyG实现GAT（自定义GAT层）网络（四）
PyG实现自定义GAT层 完整代码 本系列中的第三篇介绍了如何调用pyg封装好的GAT函数，当然同样的，我们需要学会如何自定义网络层以满足研究需求。 完整代码 import torchimport mathfrom torch_geometric.nn import MessagePassingfrom torch_geometric.utils import add_
GAT学习：PyG实现multi-head GAT（二）
PyG实现GAT网络 预备知识代码分析GAT 接上篇学习笔记GAT学习：PyG实现GAT（图注意力神经网络）网络（一）为了使得Attention的效果更好，所以加入multi-head attention。画个图说明multi-head attention的工作原理。 其实就相当于并联了head_num个attention后，将每个attention层的输出特征拼接起来，然后再
GAT学习：PyG实现GAT（图注意力神经网络）网络（一）
PyG实现GAT网络 预备知识代码分析完整代码GAL层 注意！！！：本文的实现方法为笔者使用pyg的数据结构实现的，效果并不是最佳效果，pyg内部有封装好的GAT函数，使用pyg封装函数的方法请跳转下面，链接中文章的效果是可以达到论文效果的： GAT学习：PyG实现GAT（使用PyG封装好的GATConv函数）（三） 目前PyG的教程几乎都是教怎么实现GCN的，但没找到
GCN学习：用PyG实现自定义layers的GCN网络及训练（五）
深度讲解PyG实现自定义layer的GCN 完整代码自定义layer传播方式从节点角度解读GCN原理逐行讲解代码原理initforwardmessage 目前的代码讲解基本都是直接使用PyG内置的包实现固定结构的网络层。虽然我们可以通过每层使用不同的传递方式来建立不同的网络，但是却不能自定义网络层的传递方式，对于做创新性的研究工作而言是一个不足。 本篇在 GCN学习：Pyt
PYG中torch_scatter, torch_sparse等pip安装包错解决
原安装命令： pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-1.13.0+cu117.html 报错： 正确安装命令： pip install --no-index pyg_lib torch_scatter
ML(10)-图神经网络、PyG极简版入门笔记
图神经网络概况 1.GNN,GCN,GE的区别2.图卷积的通式--矩阵该如何作用2.1实现12.2实现22.3实现3 3.PyTorch geometric3.1 PyG内置数据集3.1.1ENZYMES dataset3.1.2Cora 3.2 PyG自定义数据集3.2.1Data构建简单的图结构3.2.2 Dataset3.2.3 InMemoryDataset 一文读懂图卷
【图神经网络】用PyG实现图机器学习的可解释性
Graph Machine Learning Explainability with PyG 框架总览示例：解释器The Explanation ClassThe Explainer Class and Explanation SettingsExplanation评估基准数据集Explainability Visualisation实现自己的ExplainerAlgorithm对于异质图的
基于Pytorch的PyTorch Geometric（PYG）库构造个人数据集
基于Pytorch的PyTorch Geometric（PYG）库构造个人数据集 一、目的 PyTorch Geometric库中虽然已经包含自带的数据集如 Cora 等，但有时我们也需要用户个人数据创建自己的数据集进行一些数据研究。当然博主也建议大家若是第一次使用PyTorch Geometric库可以先使用其自带的数据集进行理解，再创建自己的数据集做到灵活运用。 二、前期准备和参考资料
解决PyG 报错 from torch_geometric.nn.pool.topk_pool import topk, filter_adj
问题： 使用Pytorch 的 PyG 搭建 图神经网络 报错 can not import topk, filter_adj from torch_geometric.nn.pool.topk_pool 解决 版本问题 语法变化 topk => SelectTopk filter_adj => FilterEdges from torch_geometric.nn.pool.con
PyG edge index 转换回 邻接矩阵
PyG的edge index形式是 [ ( n o d e 1 , n o d e 2 ) , ( n o d e 1 , n o d e 3 ) . . . ] [(node_1,node_2), (node_1, node_3)...] [(node1,node2),(node1,node3)...]这种edge pair。 naive 直接for循环，吧edge index里面的
networkx与PyG计算度数degree时需避免的坑:自环selfloop和多重边
networkx与PyG计算度数degree时需避免的坑:自环selfloop和多重边 networkx有向图的self-loop无向图self-loop多重边 pytorch geometric 近日需要统计图的基本性质，在使用 nx和 PyG自带的度数计算时，发现他们的底层逻辑是不同的，因此计算结果在一些情况下也会不同。这里做个简单的小结，也避免自己今后踩坑。 先上结论
PyG将同构模型转化为异构网络模型
对于同构图来讲，我们可以使用通用的 GCN 、GAT 等图神经网络作为消息传递函数来更新每个节点特征，但是对于异构图来讲，他有不同的节点类型以及边类型，所以使用同构网络模型显然是不能够处理异构数据的。 对于这种问题，一般有两种解决方式： 将同构网络模型转化为异构网络模型将异构图数据转化为同构图数据 关于这两种解决方式都有论文给出了详细证明以及操作，对于本文，我们只谈第一种策略，就是如何使用