图神经网络开发必备组件，NetworkX、稀疏矩阵、稀疏Tensor等

【导读】随着图卷积网络、图注意网络等图神经网络研究的飞速发展，越来越多的工业应用开始引入图神经网络并取得了可观的效果。由于网络结构的复杂性、数据稀疏性以及数据量等问题，图神经网络的开发需要引入大量的工程策略和技巧。本文介绍图神经网络开发中几个必备的组件。

NetworkX

---

官网地址：

https://networkx.github.io/

Github地址：

https://github.com/networkx/networkx

简介：

NetworkX为我们提供了网络/图数据结构，我们可以通过简单的接口构建有向图、无向图等，并为点、边等添加属性等信息。另外，NetworkX还提供了最短路径等算法。

NetworkX目前已经成为图神经网络开发中数据组织的标准之一，Github上大量的图神经网络代码都将网络/图数据转换为NetworkX提供的数据结构，在此基础上构建算法。

Scipy稀疏矩阵

---

官网地址：

https://docs.scipy.org/doc/scipy/reference/sparse.html

简介：

在scipy.sparse包中包含了若干个稀疏矩阵类，例如csr_matrix、coo_matrix等。可以将scipy.sparse下的稀疏矩阵看成是numpy的扩展，它们已经是Python科学计算中稀疏矩阵标准的流程和配置。

在图神经网络的开发中，数据往往需要先转换为scipy.sparse下的稀疏矩阵对象，然后再将稀疏矩阵转换为TensorFlow/PyTorch中的稀疏Tensor。可以将其看作是真实数据与神经网络输入之间的桥梁。

注意，一般情况下，相对于非稀疏矩阵版本的图神经网络，稀疏矩阵版本的图神经网络能够具处理更大的网络，并具有非常高的效率提升。因此，对大部分图神经网络来说，稀疏矩阵的引入是必须的。

稀疏Tensor

---

官网地址：

https://www.tensorflow.org/api_docs/python/tf/sparse/SparseTensor

简介：

scipy.sparse虽然提供了稀疏矩阵数据结构，但深度学习框架在计算时，往往需要将numpy等格式的矩阵转换为自己的Tensor等才能进行计算。以TensorFlow为例，我们需要将数据转换为SparseTensor，才能在深度网络中进行稀疏矩阵相关运算。然而稀疏Tensor的运算并不像普通Tensor那么简单，例如TensorFlow中的tf.sparse.sparse_dense_matmul方法可以处理稀疏Tensor与普通Tensor的相乘，但在编写代码时如果弄错了参数的前后顺序，就会出现错误。

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！540+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程