支持异构图、集成GraphGym，超好用的图神经网络库PyG更新2.0版本机器之心报道编辑：陈萍、杜

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。

文章图片
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。
【支持异构图、集成GraphGym，超好用的图神经网络库PyG更新2.0版本】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。

文章图片
PyG2.0详情地址：https://github.com/pyg-team/pytorch_geometric/releases/tag/2.0.0
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。
fromtorch_geometric.dataimportHeteroData
data=https://pcff.toutiao.jxnews.com.cn/p/20210914/HeteroData()
#Createtwonodetypes"paper"and"author"holdingasinglefeaturematrix:
data['paper'].x=torch.randn(num_papers,num_paper_features)
data['author'].x=torch.randn(num_authors,num_authors_features)
#Createanedgetype("paper","written_by","author")holdingitsgraphconnectivity:
data['paper','written_by','author'].edge_index=...#[2,num_edges]
异构Mini-Batch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mini-batches 。这些loaders现在可以处理同构图和异构图：
fromtorch_geometric.loaderimportDataLoader
loader=DataLoader(heterogeneous_graph_dataset,batch_size=32,shuffle=True)
fromtorch_geometric.loaderimportNeighborLoader
loader=NeighborLoader(heterogeneous_graph,num_neighbors=[30,30],batch_size=128,
input_nodes=('paper',data['paper'].train_mask),shuffle=True)
异构图神经网络：异构GNN现在可以通过nn.to_hetero、nn.to_hetero_with_bases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：
fromtorch_geometric.nnimportSAGEConv,to_hetero
classGNN(torch.nn.Module):
def__init__(hidden_channels,out_channels):
super().__init__()
self.conv1=SAGEConv((-1,-1),hidden_channels)
self.conv2=SAGEConv((-1,-1),out_channels)
defforward(self,x,edge_index):
x=self.conv1(x,edge_index).relu()
x=self.conv2(x,edge_index)
returnx
model=GNN(hidden_channels=64,out_channels=dataset.num_classes)
model=to_hetero(model,data.metadata(),aggr='sum')

文章图片
使用GraphGym管理实验
PyG2.0现在通过torch_geometric.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。