会员服务

PyTorch & PyTorch Geometric图神经网络(GNN)实战

专知出品

【导读】在这篇博文中，我们将使用PyTorch和PyTorch Geometric（PyG），构建图形神经网络框架。


作者| Steeve Huang


除了惊人的速度之外，PyG还提供了一系列精心实现的GNN模型，并在各种论文中进行了说明。 因此，用PyG重现实验将非常方便。



鉴于其在速度和便利性方面的优势，毫无疑问，PyG是最受欢迎和广泛使用的GNN库之一。 让我们深入探讨这个主题吧！


系统要求

PyTorch - 1.1.0

PyTorch Geometric  -  1.2.0

PyTorch Geometric 基础

本节将介绍PyG的基础知识,包括torch_geometric.data和torch_geometric.nn。 您将学习如何将几何数据传递到GNN，以及如何设计自定义MessagePassing层，GNN的核心。

数据

torch_geometric.data模块包含一个Data类，允许您轻松地从数据中创建图形。 您只需指定：

  1. 与每个节点关联的属性/功能

  2. 每个节点的连接/邻接（边缘索引）

让我们使用下图来演示如何创建Data对象

图中有4个节点，v1 ... v4，每个节点与2维特征向量相关联，标签y表示其类。 这两个可以表示为FloatTensors：

x = torch.tensor([[2,1], [5,6], [3,7], [12,0]], dtype=torch.float)y = torch.tensor([0, 1, 0, 1], dtype=torch.float)

图连接（边缘索引）应该用COO格式限制，即第一个列表包含源节点的索引，而目标节点的索引在第二个列表中指定。

edge_index = torch.tensor([[0, 1, 2, 0, 3],                           [1, 0, 1, 3, 2]], dtype=torch.long)

请注意，边索引的顺序与创建的Data对象无关，因为此类信息仅用于计算邻接矩阵。 因此，上述edge_index表示与以下相同的信息。

edge_index = torch.tensor([[0, 2, 1, 0, 3],                           [3, 1, 0, 1, 2]], dtype=torch.long)

将它们放在一起，我们可以创建一个Data对象，如下所示：

import torchfrom torch_geometric.data import Data

x = torch.tensor([[2,1], [5,6], [3,7], [12,0]], dtype=torch.float)y = torch.tensor([0, 1, 0, 1], dtype=torch.float)
edge_index = torch.tensor([[0, 2, 1, 0, 3],                           [3, 1, 0, 1, 2]], dtype=torch.long)

data = Data(x=x, y=y, edge_index=edge_index)>>> Data(edge_index=[2, 5], x=[4, 2], y=[4])

数据集

数据集创建过程并不简单，但是对于那些使用过torchvision的人来说，就很熟悉，因为PyG遵循其惯例。 PyG提供了两种不同类型的数据集类：InMemoryDataset和Dataset。正如字面意思所指出的那样，前者用于适合RAM的数据，而第二个用于更大的数据。由于它们的实现非常相似，我只介绍InMemoryDataset。

要创建InMemoryDataset对象，需要实现4个函数：

  • raw_file_names()

它返回一个列表，显示原始未处理文件名列表。如果您只有一个文件，则返回的列表应该只包含1个元素。实际上，您只需返回一个空列表，稍后在process（）中指定您的文件。

  • processed_file_names()

与上一个函数类似，它还返回一个包含所有已处理数据的文件名的列表。调用process()后，通常，返回的列表应该只有一个元素，存储唯一处理过的数据文件名。

  • dowload()

此函数应将您正在处理的数据下载到self.raw_dir中指定的目录。如果您不需要下载数据，只需简单地在函数中写 

pass

即可

  • process()

这是数据集最重要的方法。 您需要将数据收集到Data对象列表中。 然后，调用self.collate（）来计算DataLoader对象将使用的切片。 以下显示了PyG官方网站的自定义数据集示例。

import torchfrom torch_geometric.data import InMemoryDataset

class MyOwnDataset(InMemoryDataset):    def __init__(self, root, transform=None, pre_transform=None):        super(MyOwnDataset, self).__init__(root, transform, pre_transform)        self.data, self.slices = torch.load(self.processed_paths[0])
    @property    def raw_file_names(self):        return ['some_file_1', 'some_file_2', ...]
    @property    def processed_file_names(self):        return ['data.pt']
    def download(self):        # Download to `self.raw_dir`.
    def process(self):        # Read data into huge `Data` list.        data_list = [...]
        if self.pre_filter is not None:            data_list [data for data in data_list if self.pre_filter(data)]
        if self.pre_transform is not None:            data_list = [self.pre_transform(data) for data in data_list]
        data, slices = self.collate(data_list)        torch.save((data, slices), self.processed_paths[0])

DataLoader

DataLoader类允许您毫不费力地按批次将数据提供给模型。 要创建DataLoader对象，只需指定所需的数据集和批量大小即可。

loader = DataLoader(dataset, batch_size=512, shuffle=True)

DataLoader对象的每次迭代都会产生一个Batch对象，它非常类似于Data对象，但具有属性“batch”。 它指示每个节点与哪个图关联。 由于DataLoader将x，y和edge_index从不同的样本/图表聚合到批处理中，因此GNN模型需要此“批处理”信息来了解批处理中哪些节点属于同一图表以执行计算。

for batch in loader:    batch>>> Batch(x=[1024, 21], edge_index=[2, 1568], y=[512], batch=[1024])

MessagePassing

消息传递是GNN的本质，它描述了如何学习节点嵌入。 我在上一篇文章中已经讨论过，所以我将简单地用符合PyG文档的术语来解决这个问题。

x表示节点嵌入，e表示边缘特征，φ表示消息函数，□表示聚合函数，γ表示更新函数。如果图中的边没有连通性以外的特征，则e基本上是图的边缘索引。上标表示图层的索引。当k = 1时，x表示每个节点的输入特征。下面我将说明每个函数的工作原理：


  • propagation（edge_index，size = None，** kwargs）：

它接收边缘索引和其他可选信息，例如节点特征（嵌入）。因此，调用此函数将调用消息并进行更新。


  • message（** kwargs）：

您可以指定为每个节点对（x_i，x_j）构造“消息”的方式。由于它遵循传播的调用，它可以传递任何参数传播。需要注意的一点是，您可以使用“_i”和“_j”定义从参数到特定节点的映射。因此，在命名此函数的参数时必须非常小心。


  • update（aggr_out，** kwargs）

它接收聚合消息和传入传播的其他参数，为每个节点分配新的嵌入值。


例子

让我们看看如何从“大图的归纳表示学习”一文中实现SageConv层。 SageConv的消息传递公式定义为：

这里，我们使用max pooling作为聚合方法。 因此，第一行的右侧可以写成：

这说明了如何构建“消息”。 每个相邻节点嵌入乘以权重矩阵，添加偏差并通过激活函数。 这可以通过torch.nn.Linear轻松完成。

class SAGEConv(MessagePassing):def __init__(self, in_channels, out_channels):super(SAGEConv, self).__init__(aggr='max')self.lin = torch.nn.Linear(in_channels, out_channels)self.act = torch.nn.ReLU()        def message(self, x_j):# x_j has shape [E, in_channels]
        x_j = self.lin(x_j)        x_j = self.act(x_j)      return x_j

对于更新部分，聚合聚合消息和当前节点嵌入。 然后，它乘以另一个权重矩阵并应用另一个激活函数。

class SAGEConv(MessagePassing):def __init__(self, in_channels, out_channels):super(SAGEConv, self).__init__(aggr='max')self.update_lin = torch.nn.Linear(in_channels + out_channels, in_channels, bias=False)self.update_act = torch.nn.ReLU()        def update(self, aggr_out, x):# aggr_out has shape [N, out_channels]                new_embedding = torch.cat([aggr_out, x], dim=1)        new_embedding = self.update_lin(new_embedding)        new_embedding = torch.update_act(new_embedding)        return new_embedding

把它放在一起，我们有以下SageConv层。

import torchfrom torch.nn import Sequential as Seq, Linear, ReLUfrom torch_geometric.nn import MessagePassingfrom torch_geometric.utils import remove_self_loops, add_self_loopsclass SAGEConv(MessagePassing):def __init__(self, in_channels, out_channels):super(SAGEConv, self).__init__(aggr='max') #  "Max" aggregation.self.lin = torch.nn.Linear(in_channels, out_channels)self.act = torch.nn.ReLU()self.update_lin = torch.nn.Linear(in_channels + out_channels, in_channels, bias=False)self.update_act = torch.nn.ReLU()        def forward(self, x, edge_index):# x has shape [N, in_channels]# edge_index has shape [2, E]                        edge_index, _ = remove_self_loops(edge_index)        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))                return self.propagate(edge_index, size=(x.size(0), x.size(0)), x=x)
def message(self, x_j):# x_j has shape [E, in_channels]
        x_j = self.lin(x_j)        x_j = self.act(x_j)        return x_j
def update(self, aggr_out, x):# aggr_out has shape [N, out_channels]

        new_embedding = torch.cat([aggr_out, x], dim=1)                new_embedding = self.update_lin(new_embedding)        new_embedding = self.update_act(new_embedding)        return new_embedding

真实世界的例子 -  2015年RecSys挑战赛

2015年RecSys挑战赛正在挑战数据科学家构建基于会话的推荐系统。 要求参与此挑战的人员解决两项任务：

  • 预测是否会有买入事件，然后是一系列点击

  • 预测将购买哪个商品

首先，我们从RecSys Challenge 2015的官方网站下载数据并构建数据集。 我们将从第一个任务开始，因为这个任务更容易。


挑战提供了两组主要数据，yoochoose-clicks.dat和yoochoose-buys.dat，分别包含点击事件和购买事件。 让我们快速浏览一下数据：


预处理

下载数据后，我们对其进行预处理，以便将其输入我们的模型。 对item_id进行分类编码，以确保编码的item_ids（稍后将映射到嵌入矩阵）从0开始。

from sklearn.preprocessing import LabelEncoder
df = pd.read_csv('../input/yoochoose-click.dat', header=None)df.columns=['session_id','timestamp','item_id','category']
buy_df = pd.read_csv('../input/yoochoose-buys.dat', header=None)buy_df.columns=['session_id','timestamp','item_id','price','quantity']
item_encoder = LabelEncoder()df['item_id'] = item_encoder.fit_transform(df.item_id)df.head()

由于数据非常大，我们对其进行二次采样以便于演示。

#randomly sample a couple of themsampled_session_id = np.random.choice(df.session_id.unique(), 1000000, replace=False)df = df.loc[df.session_id.isin(sampled_session_id)]df.nunique()

为了确定基本事实，即对于给定的会话是否有任何买入事件，我们只是检查yoochoose-clicks.dat中的session_id是否也出现在yoochoose-buys.dat中。

df['label'] = df.session_id.isin(buy_df.session_id)df.head()

数据集构建

在预处理步骤之后，数据可以转换为数据集对象。 在这里，我们将会话中的每个项目视为一个节点，因此同一会话中的所有项目都形成一个图形。 为了构建数据集，我们按session_id对预处理数据进行分组，并迭代这些组。 在每次迭代中，每个组中的item_id被再次分类编码，因为对于每个图，节点索引应从0开始计数。因此，我们有以下内容：

import torchfrom torch_geometric.data import InMemoryDatasetfrom tqdm import tqdm
class YooChooseBinaryDataset(InMemoryDataset):    def __init__(self, root, transform=None, pre_transform=None):        super(YooChooseBinaryDataset, self).__init__(root, transform, pre_transform)        self.data, self.slices = torch.load(self.processed_paths[0])
    @property    def raw_file_names(self):        return []    @property    def processed_file_names(self):        return ['../input/yoochoose_click_binary_1M_sess.dataset']
    def download(self):        pass        def process(self):                data_list = []
        # process by session_id        grouped = df.groupby('session_id')        for session_id, group in tqdm(grouped):            sess_item_id = LabelEncoder().fit_transform(group.item_id)            group = group.reset_index(drop=True)            group['sess_item_id'] = sess_item_id            node_features = group.loc[group.session_id==session_id,['sess_item_id','item_id']].sort_values('sess_item_id').item_id.drop_duplicates().values
            node_features = torch.LongTensor(node_features).unsqueeze(1)            target_nodes = group.sess_item_id.values[1:]            source_nodes = group.sess_item_id.values[:-1]
            edge_index = torch.tensor([source_nodes, target_nodes], dtype=torch.long)            x = node_features
            y = torch.FloatTensor([group.label.values[0]])
            data = Data(x=x, edge_index=edge_index, y=y)            data_list.append(data)                data, slices = self.collate(data_list)        torch.save((data, slices), self.processed_paths[0])

在构建数据集之后，我们调用shuffle（）以确保它已被随机洗牌，然后将其拆分为三组以进行训练，验证和测试。

dataset = dataset.shuffle()train_dataset = dataset[:800000]val_dataset = dataset[800000:900000]test_dataset = dataset[900000:]len(train_dataset), len(val_dataset), len(test_dataset)

构建图形神经网络

以下自定义GNN参考了PyG官方Github存储库中的一个示例。 我用上面说明的自我实现的SAGEConv层改变了GraphConv层。 此外，还修改了输出层以匹配二进制分类设置。

embed_dim = 128from torch_geometric.nn import TopKPoolingfrom torch_geometric.nn import global_mean_pool as gap, global_max_pool as gmpimport torch.nn.functional as Fclass Net(torch.nn.Module):    def __init__(self):        super(Net, self).__init__()
        self.conv1 = SAGEConv(embed_dim, 128)        self.pool1 = TopKPooling(128, ratio=0.8)        self.conv2 = SAGEConv(128, 128)        self.pool2 = TopKPooling(128, ratio=0.8)        self.conv3 = SAGEConv(128, 128)        self.pool3 = TopKPooling(128, ratio=0.8)        self.item_embedding = torch.nn.Embedding(num_embeddings=df.item_id.max() +1, embedding_dim=embed_dim)        self.lin1 = torch.nn.Linear(256, 128)        self.lin2 = torch.nn.Linear(128, 64)        self.lin3 = torch.nn.Linear(64, 1)        self.bn1 = torch.nn.BatchNorm1d(128)        self.bn2 = torch.nn.BatchNorm1d(64)        self.act1 = torch.nn.ReLU()        self.act2 = torch.nn.ReLU()              def forward(self, data):        x, edge_index, batch = data.x, data.edge_index, data.batch        x = self.item_embedding(x)        x = x.squeeze(1)        
        x = F.relu(self.conv1(x, edge_index))
        x, edge_index, _, batch, _ = self.pool1(x, edge_index, None, batch)        x1 = torch.cat([gmp(x, batch), gap(x, batch)], dim=1)
        x = F.relu(self.conv2(x, edge_index))             x, edge_index, _, batch, _ = self.pool2(x, edge_index, None, batch)        x2 = torch.cat([gmp(x, batch), gap(x, batch)], dim=1)
        x = F.relu(self.conv3(x, edge_index))
        x, edge_index, _, batch, _ = self.pool3(x, edge_index, None, batch)        x3 = torch.cat([gmp(x, batch), gap(x, batch)], dim=1)
        x = x1 + x2 + x3
        x = self.lin1(x)        x = self.act1(x)        x = self.lin2(x)        x = self.act2(x)              x = F.dropout(x, p=0.5, training=self.training)
        x = torch.sigmoid(self.lin3(x)).squeeze(1)
        return x

训练

训练我们的自定义GNN非常简单，我们只需迭代从训练集构造的DataLoader并反向传播损失函数。 在这里，我们使用Adam作为优化器，学习率设置为0.005，二进制交叉熵作为损失函数。

def train():model.train()
loss_all = 0for data in train_loader:data = data.to(device)optimizer.zero_grad()output = model(data)label = data.y.to(device)loss = crit(output, label)loss.backward()loss_all += data.num_graphs * loss.item()optimizer.step()return loss_all / len(train_dataset)    device = torch.device('cuda')model = Net().to(device)optimizer = torch.optim.Adam(model.parameters(), lr=0.005)crit = torch.nn.BCELoss()train_loader = DataLoader(train_dataset, batch_size=batch_size)for epoch in range(num_epochs):train()

验证

由于大多数会议未跟随任何购买活动，因此该标签与绝大多数负面标签高度不平衡。  因此，除了准确性之外，曲线下面积（AUC）对于该任务来说是更好的度量，因为它只关心正例的评分是否高于负例。 我们使用Sklearn的现成AUC计算功能。

def evaluate(loader):model.eval()
predictions = []labels = []
with torch.no_grad():for data in loader:
data = data.to(device)pred = model(data).detach().cpu().numpy()
label = data.y.detach().cpu().numpy()predictions.append(pred)labels.append(label)

结果

我训练了1个epoch的模型，并测量训练，验证和测试AUC分数：

for epoch in range(1):loss = train()train_acc = evaluate(train_loader)val_acc = evaluate(val_loader)    test_acc = evaluate(test_loader)print('Epoch: {:03d}, Loss: {:.5f}, Train Auc: {:.5f}, Val Auc: {:.5f}, Test Auc: {:.5f}'.format(epoch, loss, train_acc, val_acc, test_acc))

只有1百万行训练数据（约占所有数据的10％）和1个训练时期，我们可以获得大约0.73的AUC分数，用于验证和测试集。 如果使用更多数据来训练具有更大训练步骤的模型，则得分很可能会提高。


结论

您已经了解了PyTorch Geometric的基本用法，包括数据集构造，自定义图层以及使用真实数据训练GNN。 这篇文章中的所有代码也可以在我的Github仓库中找到。

https://github.com/khuangaf/Pytorch-Geometric-YooChoose


原文链接：

https://towardsdatascience.com/hands-on-graph-neural-networks-with-pytorch-pytorch-geometric-359487e221a8

-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！550+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

展开全文
Top
微信扫码咨询专知VIP会员
Top