pyG 是基于pytorch 的图神经网络的深度学习框架；
学习链接：
torch_geometric.data — pytorch_geometric documentation
用于记录和表示一张图信息的是PyG 当中的 torch_geometric.data.Data 类；
1 torch_geometric.data.Data属性
包含5个属性，每一个属性都不是必须的；
x: 用于存储每个节点的特征，形状是
[num_nodes, num_node_features]
；
edge_index: 用于存储节点之间的边，形状是
[2, num_edges]
（
使用稀疏的方式存储边关系（
edge_index
中边的存储方式，有两个
list
，第 1 个
list
是边的起始点，第 2 个
list
是边的目标节点）
）；
pos: 存储节点的坐标，形状是
[num_nodes, num_dimensions]
；
y: 存储样本标签。如果是每个节点都有标签，那么形状是
[num_nodes, *]
；如果是整张图只有一个标签，那么形状是
[1, *]
；
edge_attr: 存储边的特征。形状是
[num_edges, num_edge_features]
；
使用pyG的Data来建图：
from torch_geometric.data import Data
data = Data(x=x, edge_index=edge_index)在实际的应用场景中，图的形式多种多样，单纯的使用 x 和 edge index 是无法描述这众多的图结构的；
在 PyG 的Data 类当中，还提供了许多其他属性用于描述图的变量。
实际上，
Data
对象不仅仅限制于这些属性，我们可以通过
data.face
来扩展
Data
，以张量保存三维网格中三角形的连接性；
在
Data
里包含了样本的 label，这意味和 PyTorch 稍有不同，在
PyTorch
中，我们重写
Dataset
的
__getitem__()
，根据 index 返回对应的样本和 label；
在 PyG 中，我们使用的不是这种写法，而是在
get()
函数中根据 index 返回
torch_geometric.data.Data
类型的数据，在
Data
里包含了数据和 label；
使用`torch_geometric.data.Data`
import torch
from torch_geometric.data import Data
# 由于是无向图，因此有 4 条边：(0 -> 1), (1 -> 0), (1 -> 2), (2 -> 1)
edge_index = torch.tensor([[0, 1, 1, 2],
[1, 0, 2, 1]], dtype=torch.long)
# 节点的特征
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
data = Data(x=x, edge_index=edge_index)
注意
edge_index
中边的存储方式，
有两个
list
，第 1 个
list
是边的起始点，第 2 个
list
是边的目标节点
。
另一种存储
edge_index的方式：
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())
这种情况
edge_index
需要
先转置然后使用
contiguous()
方法
。
有了
Data
，我们可以创建自己的
Dataset
，读取并返回
Data。
参考：
图神经网络 PyTorch Geometric 入门教程 – 掘金
有了data对象就可以快速开始了，PyG官方提供了许多图神经网络算法的接口
