torch-geometric

Graph Neural Networks (PyG). Node/graph classification, link prediction, GCN, GAT, GraphSAGE, heterogeneous graphs, molecular property prediction, for geometric deep learning.

1. Zainstaluj bibliotekę poleceniem uv pip install torch_geometric. Jeśli potrzebujesz dodatkowych funkcji do operacji rzadkich i klasteryzacji, dodaj pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv ze źródła PyG (wymaga ustawienia zmiennych TORCH i CUDA).

2. Zaimportuj niezbędne moduły: torch oraz Data z torch_geometric.data do reprezentacji grafu w postaci macierzy połączeń i cech węzłów.

3. Stwórz graf, definiując macierz krawędzi edge_index (pary indeksów węzłów źródłowych i docelowych) oraz wektor cech węzłów x. Przekaż je do obiektu Data, który reprezentuje Twój graf.

4. Załaduj gotowy zbiór danych z torch_geometric.datasets (np. Planetoid dla sieci cytowań Cora) lub przygotuj własne dane w formacie Data.

5. Zdefiniuj architekturę sieci neuronowej, wybierając spośród dostępnych warstw GNN (GCN, GAT, GraphSAGE) w zależności od zadania: klasyfikacja węzłów, klasyfikacja grafów, predykcja wiązań lub predykcja właściwości molekularnych.

6. Trenuj model na grafach, korzystając z mini-batch processing i opcjonalnie rozproszonego trenowania na wielu GPU dla dużych zbiorów danych.