pytorch pyg

### PyTorch Geometric 教程与文档

斯坦福 CS224W 课程提供了一系列关于图机器学习的教程博客帖子，这些帖子完全采用 PyG 实现[^1]。对于希望深入了解如何构建和训练图神经网络的人来说，这是一个宝贵的资源集合。

PyG 提供了一个丰富的环境来开发和测试几何深度学习算法。这个库不仅包含了多种实现方法，还提供了便捷的小批量加载器功能，在处理大规模图数据时尤为有用[^2]。为了帮助开发者更有效地利用该平台，官方准备了大量的教学材料和技术文档：

- **入门指南**：涵盖了安装过程、基础概念介绍等内容。
- **消息传递网络创建**：指导用户理解并实践图上的信息传播机制。
- **自定义数据集建立**：教授怎样将自己的研究案例转化为适合输入给定框架的形式。
- **异构图学习**：探讨不同类型节点间关系的学习策略。
- **CSV文件图形加载**：展示从常见表格格式导入结构化数据的方法。
- **GraphGym实验管理**：简化了超参数调优及其他配置调整流程。
- **高级小批处理技术**：深入讲解优化性能的技术细节。
- **内存高效聚合方案**：针对大型稀疏矩阵运算提出了有效的解决方案。
- **TorchScript兼容性说明**：解释了如何将模型导出为独立运行的应用程序组件。
- **GNN快速参考手册**：总结了一些常用的层类型及其应用场景。
- **数据集速查表**：列举了许多公开可用的数据源链接。
- **Colab笔记本实例**：通过交互式的在线编程界面让读者能够实时体验各个特性。
- **外部参考资料汇总**：列出了更多补充性的书籍文章等辅助读物。

此外，社区成员可以在专门设立的支持渠道交流心得经验，共同解决问题[^4]。

import torch_geometric.transforms as T
from torch_geometric.datasets import Planetoid

dataset = Planetoid(root='/tmp/Cora', name='Cora', transform=T.NormalizeFeatures())
print(f'Dataset: {dataset}:')
print('======================')
print(f'Number of graphs: {len(dataset)}')
print(f'Number of features: {dataset.num_features}')
print(f'Number of classes: {dataset.num_classes}')

data = dataset[0]  # Get the first graph object.
print(data)