在PyTorch Geometric中，如何加载和处理图数据集？

在PyTorch Geometric中加载和处理图数据集涉及到几个步骤，包括加载数据集、定义数据转换管道以及创建DataLoader。下面是一个基本的指南：

1. 加载数据集：
PyTorch Geometric提供了多种预处理过的图数据集，可以通过`torch_geometric.datasets`模块进行加载。例如，加载Cora数据集可以使用以下代码：

from torch_geometric.datasets import Planetoid

dataset = Planetoid(root='/tmp/Cora', name='Cora')

这里的`root`参数指定了数据集保存的路径，`name`参数指定了数据集的名称。PyTorch Geometric的数据集加载后会返回一个`Dataset`对象，其中包含了数据集中的图数据。

2. 定义数据转换管道：
数据转换是图神经网络中的一个重要步骤，它包括对图结构和节点/边特征的预处理。PyTorch Geometric允许使用`torch_geometric.transforms`模块来定义一个转换管道。例如，添加自环和归一化节点特征可以这样实现：

from torch_geometric.transforms import AddSelfLoops, NormalizeFeatures

transform = Compose([AddSelfLoops(), NormalizeFeatures()])
dataset = Planetoid(root='/tmp/Cora', name='Cora', transform=transform)

`Compose`函数接受一系列转换操作，并将它们组合起来。`AddSelfLoops`操作会为图中的每个节点添加自环，而`NormalizeFeatures`操作会将节点特征按其列进行标准化处理。

3. 创建DataLoader：
有了数据集和可能的转换管道后，可以创建一个`DataLoader`以便于在训练模型时批量加载数据。`DataLoader`支持多进程数据加载，并可以和PyTorch的`DataLoader`类似地使用：

from torch_geometric.data import DataLoader

loader = DataLoader(dataset, batch_size=32, shuffle=True)

这里的`batch_size`定义了每个批次加载的图的数量，`shuffle`参数设置为True可以保证在每个epoch中随机打乱数据。