问题标签 [pytorch-geometric]

我正在使用 Google Colab 进行 CUDA 支持的 PyTorch Geometric 项目。由于默认情况下它的库不存在，因此我运行：

最近在导入torch_geometric时，由于版本升级，出现了 CUDA 版本不匹配的情况：

RuntimeError: 检测到 PyTorch 和 torch_sparse 是用不同的 CUDA 版本编译的。PyTorch 的 CUDA 版本为 10.1，torch_sparse 的 CUDA 版本为 10.0。请重新安装与您的 PyTorch 安装相匹配的 torch_sparse。

为了解决这个问题，我尝试将 conda 用于特定的 CUDA 版本：

!conda install pytorch==1.4.0 cudatoolkit=10.0 -c pytorch

然而，在运行print(torch.version.cuda)时，我得到10.1作为输出，而不是我想要的 10.0。

这是一个最近的错误，因为它在过去一周没有抛出这个问题。解决此问题的任何最佳实践？

如何为 pytorch 几何数据对象中的无向图构建一个edge_attr 列表。假设我们有一个像这样的无向图。pytorch几何对象所需的图COO矩阵为：

[['a', 'b', 'a', 'c', 'b', 'c']
['b', 'a', 'c', 'a', 'c', 'b']]

那么如何构造 edge_attr 列表（这是一个用于每个边缘特征的 one-hot 编码向量数组）。由于该图是无向的，因此是否可以一次简单地附加两个相同的 one-hot 编码特征向量。例如，假设这些是边缘特征：

(a, b) = [0,0,0,1]
(a, c) = [1,0,0,0]
(b, c) = [0,1,0,0]

edge_attr 列表看起来像：

[[0,0,0,1], [0,0,0,1], [1,0,0,0], [1,0,0,0], [0,1,0,0], [0,1,0,0]

注意每个 one-hot 编码的特征向量是如何重复两次的，edge_attr 中的特征向量索引对应于图 COO 矩阵中的相应边。因为图是无向的，所以我们只使用相同的特征矩阵。是正确的方法，还是有其他方法？

我对 pytorch 和 pytorch-geometric 非常陌生。我需要加载一个数据集，然后将一个属性映射到集合中稍后将在脚本中使用的每个对象。但是我不知道该怎么做。

我开始加载

然后我添加属性。我试过（值 3 仅作为示例，它将是一个 db 查询）

或者

或者

或者

但该属性始终为空。我什至尝试为 Data 类编写一个装饰器类

但是如果我尝试替换 Data 对象，它会引发错误，或者如果我使用这个解决方案TypeError: 'TUDataset' object does not support item assignment它什么也不做。

任何建议都非常感谢。谢谢你。

我有时间序列图数据。我尝试预测下一个时间段的图形表示。是否有任何图形卷积来处理时间序列数据，或者我应该使用 PyTorch Geometric Temporal 代替吗？

如何使用 torch_geometric.utils.convert.from_networkx() 将 networkx 图表列表加载到 pytorch-geometric Data 中？只有图形级别的标签可用。

我正在尝试将仅包含非零元素（[[rows]，[columns]]）的索引的稀疏邻接矩阵/列表转换为在索引处包含 1 的密集矩阵，否则为 0。我找到了使用来自Pytorch几何（文档）的 to_dense_adj 的解决方案。但这并不完全符合我的要求，因为密集矩阵的形状并不像预期的那样。这是一个例子：

因此密集矩阵的大小应为 5x3（第二个数组“存储”列；在 (0,0)、(1,1)、(2,2)、(1,3) 和 ( 0,4)) 因为第一个数组中的元素小于或等于 2。

然而，

输出一个密集矩阵，但形状为 (5,5)。是否可以定义输出形状或者是否有不同的解决方案来获得我想要的？

编辑：我有一个解决方案现在可以将其转换回稀疏表示

或者有没有更好的替代方法？

我是 PyTorch 几何的新手，想知道我们如何将自己的知识图数据集加载到 PyTorch 几何 DataLoader 中。我在 CSV 文件中有我的数据，例如：

数据集由 1000 个这样的三元组组成，
我浏览了 PyTorch 文档，但无法理解如何将这种数据与 Pytorch 几何一起使用。
我之前使用这些数据与 ampligraph 进行链接预测，并考虑尝试使用 GNN（PyTorch 几何）。
对此有任何帮助！

如何将 pytorch 几何 torch_geometric.data.DataLoader batch_data 的节点特征重新格式化为 (batch_size, num_nodes_per_graph, feature_dim) 形状？

torch_geometric.data.DataLoader 生成具有 (total_num_nodes, feature_dim) 形状的 batch_data.x（节点特征）的每个批次。但我想在 model.forward() 函数中以（batch_size，num_nodes_per_each_sample_graph，feature_dim）的形式重新格式化它。有没有办法做到这一点？

例如，重新格式化

[1605, 512] --> [64, 40, 512]

这里的节点总数是 1605。但是每个样本并不完全有 40 个节点，所以我们必须用零填充它们。但是每个节点特征都有 512 维。

我是图形神经网络的新手，我正在尝试使用 pytorch-geometric 来读取 sdf 文件以进行预测，

我有以下数据集作为我的输入

我希望我的目标预测看起来像

如您所见，目标小于或等于输入 x 中的节点数，其中 x = [num_nodes, num_node_features]。

我想知道如何为这样的数据集构建图神经网络？

我应该调整输入 x 的大小还是其他？

谢谢！