PyTorch怎么安裝和使用

這篇文章主要介紹“PyTorch怎么安裝和使用”的相關知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“PyTorch怎么安裝和使用”文章能幫助大家解決問題。

安裝PyTorch geometric

首先確保安裝了PyTorch 1.2.0及以上版本

$ python -c "import torch; print(torch.__version__)"
>>> 1.2.0

安裝依賴包

$ pip install --verbose --no-cache-dir torch-scatter
$ pip install --verbose --no-cache-dir torch-sparse
$ pip install --verbose --no-cache-dir torch-cluster
$ pip install --verbose --no-cache-dir torch-spline-conv (optional)
$ pip install torch-geometric

注意:

def spawn(self, cmd):
    spawn(cmd, dry_run=self.dry_run)

改為

def spawn(self, cmd):
    spawn(cmd, dry_run=self.dry_run)

快速上手

import torch
from torch_geometric.data import Data

#邊，shape = [2,num_edge]
edge_index = torch.tensor([[0, 1, 1, 2],
                           [1, 0, 2, 1]], dtype=torch.long)
#點，shape = [num_nodes, num_node_features]
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])

數據集

PyTorch Geometric已經包含有很多常見的基準數據集，包括：

• Cora：一個根據科學論文之間相互引用關系而構建的Graph數據集合，論文分為7類：Genetic_Algorithms，Neural_Networks，Probabilistic_Methods，Reinforcement_Learning，Rule_Learning，Theory，共2708篇；

• Citeseer：一個論文之間引用信息數據集，論文分為6類：Agents、AI、DB、IR、ML和HCI，共包含3312篇論文；

• Pubmed：生物醫學方面的論文搜尋以及摘要數據集。

以及網址中的數據集等等。

初始化這樣的一個數據集也很簡單，會自動下載對應的數據集然后處理成需要的格式，例如ENZYMES dataset (覆蓋6大類的600個圖，可用于graph-level的分類任務)：

from torch_geometric.datasets import TUDataset

dataset = TUDataset(root='/tmp/ENZYMES', name='ENZYMES')
>>> ENZYMES(600)

len(dataset)
>>> 600

dataset.num_classes
>>> 6

dataset.num_node_features
>>> 3

對于其中的第一個圖，可以這樣取得：

data = dataset[0]
>>> Data(edge_index=[2, 168], x=[37, 3], y=[1])
#可以看出這個圖包含邊168/2=84條，節點37個，每個節點包含三個特征

data.is_undirected()
>>> True

再看一個node-level的數據集

from torch_geometric.datasets import Planetoid

dataset = Planetoid(root='/tmp/Cora', name='Cora')
>>> Cora()

#可以看到這個數據集只有一個圖
len(dataset)
>>> 1

dataset.num_classes
>>> 7

dataset.num_node_features
>>> 1433
#train_mask
data = dataset[0]
>>> Data(edge_index=[2, 10556], test_mask=[2708],
         train_mask=[2708], val_mask=[2708], x=[2708, 1433], y=[2708])

#用來訓練的數據量
data.train_mask.sum().item()
>>> 140

#用來驗證的數據量
data.val_mask.sum().item()
>>> 500

#用來測試的數據量
data.test_mask.sum().item()
>>> 1000

完整示例

下面再來看一個完整的例子：

import torch
import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

#數據集加載
from torch_geometric.datasets import Planetoid
dataset = Planetoid(root='/tmp/Cora', name='Cora')

#網絡定義
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.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)

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Net().to(device)
data = dataset[0].to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

#網絡訓練
model.train()
for epoch in range(200):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()

#測試
model.eval()
_, pred = model(data).max(dim=1)
correct = float(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
acc = correct / data.test_mask.sum().item()
print('Accuracy: {:.4f}'.format(acc))

圖卷積層的實現

GCNConv層具體的實現代碼為：

import torch
from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degree

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation.
        self.lin = torch.nn.Linear(in_channels, out_channels)

    def forward(self, x, edge_index):
        # x has shape [N, in_channels]
        # edge_index has shape [2, E]

        # Step 1: 增加自連接到鄰接矩陣
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))

        # Step 2: 對節點的特征矩陣進行線性變換
        x = self.lin(x)

        # Step 3-5: Start propagating messages.
        return self.propagate(edge_index, size=(x.size(0), x.size(0)), x=x)

    def message(self, x_j, edge_index, size):
        # x_j has shape [E, out_channels]

        # Step 3: Normalize node features.
        row, col = edge_index
        deg = degree(row, size[0], dtype=x_j.dtype)
        deg_inv_sqrt = deg.pow(-0.5)
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        return norm.view(-1, 1) * x_j

    def update(self, aggr_out):
        # aggr_out has shape [N, out_channels]

        # Step 5: Return new node embeddings.
        return aggr_out

關于“PyTorch怎么安裝和使用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識，可以關注億速云行業資訊頻道，小編每天都會為大家更新不同的知識點。