支持异构图集成GraphGym，超好用的图神经网络库PyG更

　　机器之心报道
　　编辑：陈萍、杜伟
　　当前最流行和广泛使用的GNN库PyG（PyTorchGeometric）现在出2。0版本了，新版本提供了全面的异构图支持、GraphGam以及很多其他特性，这一系列改进，为使用者带来了更好的用户体验。
　　PyTorchGeometric（PyG）是一个构建于PyTorch之上的库，用来为一系列与结构化数据相关的应用编写和训练图神经网络（GNN）。PyG对机器学习研究者以及机器学习工具包的首次使用者都很友好。
　　就其特征和功能而言，PyG具有易用和统一的API，用户花费更少的时间在实现和运行图神经网络的底层机制上，只需要10至20行代码就可以训练自定义GNN模型。PyG涵盖了大量的SOTAGNN架构以及训练和可扩展流程，并且易于扩展以匹配用户自己的特定用例或进行自己的GNN研究。
　　此外，PyG中的全新GraphGym使得用户可以轻松地复现GNN实验，执行和分析数千个GNN实验，并将自定义模块嵌入到GNN学习pipeline中。
　　近日，PyG核心领导者（Corelead）MatthiasFey宣布PyG2。0版本来了！新版本提供了全面的异构图支持、GraphGam以及很多其他特性。
　　PyG2。0详情地址：https：github。compygteampytorchgeometricreleasestag2。0。0
　　PyG2。0新特性
　　PyG2。0是一个新的版本，提供了复杂的异构图支持、GraphGym集成以及其他新特性。
　　PyG2。0中提供了完全的异构图支持。异构图支持包括数据存储层的完整重写（同时保持向后兼容性）、异构图转换、通过邻采样的关系型数据加载例程，以及一整套异构GNN模型示例。
　　突出亮点
　　异构图存储：异构图现在可以存储在它们自己的专用data。HeteroData类中。fromtorchgeometric。dataimportHeteroDatadataHeteroData（）Createtwonodetypespaperandauthorholdingasinglefeaturematrix：data〔paper〕。xtorch。randn（numpapers，numpaperfeatures）data〔author〕。xtorch。randn（numauthors，numauthorsfeatures）Createanedgetype（paper，writtenby，author）holdingitsgraphconnectivity：data〔paper，writtenby，author〕。edgeindex。。。〔2，numedges〕
　　异构MiniBatch加载：异构图可以分别通过loader。DataLoader和loader。NextorLoader对许多小的、单个的巨大图进行转化，转换成minibatches。这些loaders现在可以处理同构图和异构图：fromtorchgeometric。loaderimportDataLoaderloaderDataLoader（heterogeneousgraphdataset，batchsize32，shuffleTrue）fromtorchgeometric。loaderimportNeighborLoaderloaderNeighborLoader（heterogeneousgraph，numneighbors〔30，30〕，batchsize128，inputnodes（paper，data〔paper〕。trainmask），shuffleTrue）
　　异构图神经网络：异构GNN现在可以通过nn。tohetero、nn。toheterowithbases从同构GNN轻松创建。这些进程采用现有的GNN模型并复制其消息功能，以考虑不同的节点和边缘类型：fromtorchgeometric。nnimportSAGEConv，toheteroclassGNN（torch。nn。Module）：definit（hiddenchannels，outchannels）：super（）。init（）self。conv1SAGEConv（（1，1），hiddenchannels）self。conv2SAGEConv（（1，1），outchannels）defforward（self，x，edgeindex）：xself。conv1（x，edgeindex）。relu（）xself。conv2（x，edgeindex）returnxmodelGNN（hiddenchannels64，outchannelsdataset。numclasses）modeltohetero（model，data。metadata（），aggrsum）
　　使用GraphGym管理实验
　　PyG2。0现在通过torchgeometric。graphgym正式支持GraphGym。总的来说，GraphGym是一个平台，用于通过高度模块化的pipeline从配置文件中设计和评估图神经网络：GraphGym是开始学习标准化GNN实现和评估的最佳平台；GraphGym提供了一个简单的接口来并行尝试数千个GNN架构，以找到适合特定任务的最佳设计；GraphGym可轻松进行超参数搜索并可视化哪些设计选择更好。
　　重大改变
　　datasets。AMiner数据集现在返回data。HeteroData对象；transforms。AddTrainValTestMask已被替换为transforms。RandomNodeS由于data。Data的存储布局发生了显着变化以支持异构图，因此需要通过删除rootprocessed文件夹来重新处理已处理的数据集。
　　此外，data。Data。catdim、data。Data。inc现在需要额外的参数输入：defcatdim（self，key，value，args，kwargs）：passdefinc（self，key，value，args，kwargs）：pass
　　如果你修改了自定义data。Data对象中的catdim或inc，请确保应用上述更改。
　　了解更多变化，请参考原项目。
　　核心团队成员
　　PyG核心团队共有6位成员，包括多特蒙德工业大学四年级图机器学习博士生MatthiasFey、多特蒙德工业大学博士生JanEricLenssen（核心贡献者）和图网络领域大牛斯坦福计算机科学副教授JureLeskovec（担任顾问）。
　　从左至右依次为MatthiasFey、JanEricLenssen和JureLeskovec。
　　此外还有三位华人成员，分别是斯坦福大学计算机科学四年级博士生尤佳轩（JiaxuanYou，核心领导者）、斯坦福大学计算机科学博士生RexYing（核心贡献者，他将于2022年加入耶鲁大学担任助理教授）和卡内基梅隆大学汉斯学院三年级博士生赵越（YueZhao，核心贡献者）。
　　从左至右依次为尤佳轩、RexYing和赵越。
　　日前，赵越在知乎分享了自己参与PyG2。0版本设计与升级过程中的心得体会，感兴趣的读者可以参考阅读。
　　知乎链接：https：www。zhihu。compin1420674585365196800
　　参考链接：
　　http：www。pyg。org