“CNN已老，GNN当立！”
当科学家们发现，图神经网络 (GNN) 能搞定传统CNN处理不了的非欧数据，从前深度学习解不开的许多问题都找到了钥匙。 如今，有个图网络PyTorch库，已在GitHub摘下2000多星，还被CNN的爸爸Yann LeCun翻了牌： 
它叫PyTorch Geometric，简称PyG，聚集了26项图网络研究的代码实现。 这个库还很快，比起前辈DGL图网络库，PyG最高可以达到它的15倍速度。 应有尽有的库要跑结构不规则的数据，就用PyG吧。不管是图形 (Graphs)，点云 (Point Clouds) 还是流形 (Manifolds) 。 
△ 右边是不规则的，非欧空间这是一个丰盛的库：许多模型的PyTorch实现，各种有用的转换 (Transforms) ，以及大量常见的benchmark数据集，应有尽有。 说到实现，包括Kipf等人的图卷积网络 (GCN) 和Bengio实验室的图注意力网络 (GAT) 在内，2017-2019年各大顶会的 (至少) 26项图网络研究，这里都能找到快速实现。 到底能多快？PyG的两位作者用英伟达GTX 1080Ti做了实验。 对手DGL，也是图网络库： 
在四个数据集里，PyG全部比DGL跑得快。最悬殊的一场比赛，是在Cora数据集上运行GAT模型：跑200个epoch，对手耗时33.4秒，PyG只要2.2秒，相当于对方速度的15倍。
每个算法的实现，都支持了CPU计算和GPU计算。 食用方法库的作者，是两位德国少年，来自多特蒙德工业大学。 
△ 其中一位
他们说，有了PyG，做起图网络就像一阵微风。 你看，实现一个边缘卷积层 (Edge Convolution Layer) 只要这样而已： 1import torch
2from torch.nn import Sequential as Seq, Linear as Lin, ReLU
3from torch_geometric.nn import MessagePassing
4
5class EdgeConv(MessagePassing):
6 def __init__(self, F_in, F_out):
7 super(EdgeConv, self).__init__()
8 self.mlp = Seq(Lin(2 * F_in, F_out), ReLU(), Lin(F_out, F_out))
9
10 def forward(self, x, edge_index):
11 # x has shape [N, F_in]
12 # edge_index has shape [2, E]
13 return self.propagate(aggr='max', edge_index=edge_index, x=x) # shape [N, F_out]
14
15 def message(self, x_i, x_j):
16 # x_i has shape [E, F_in]
17 # x_j has shape [E, F_in]
18 edge_features = torch.cat([x_i, x_j - x_i], dim=1) # shape [E, 2 * F_in]
19 return self.mlp(edge_features) # shape [E, F_out]
安装之前确认一下，至少要有PyTorch 1.0.0；再确认一下cuda/bin在$PATH里，cuda/include在$CPATH里： 1$ python -c 'import torch; print(torch.__version__)'
2>>> 1.0.0
3
4$ echo $PATH
5>>> /usr/local/cuda/bin:...
6
7$ echo $CPATH
8>>> /usr/local/cuda/include:...
然后，就开始各种pip install吧。 PyG项目传送门：
https://github.com/rusty1s/pytorch_geometric PyG主页传送门：
https://rusty1s./pytorch_geometric/build/html/index.html PyG论文传送门：
https:///pdf/1903.02428.pdf
|
