别再死磕CNN了！用Python+PyTorch手把手教你搭建第一个GNN模型（附完整代码）
从零构建图神经网络：用PyTorch Geometric实现社交网络分析
在深度学习领域，卷积神经网络(CNN)和循环神经网络(RNN)已经成为了处理图像和序列数据的标准工具。但当面对社交网络、推荐系统或分子结构这类非欧几里得数据时，传统神经网络往往力不从心。这正是图神经网络(Graph Neural Networks, GNN)大显身手的领域——它能够直接处理节点和边组成的复杂关系网络。
1. 为什么需要图神经网络？
1.1 传统神经网络的局限性
传统神经网络在处理结构化数据时面临三个主要挑战：
- 固定尺寸输入：CNN要求所有输入图像具有相同的尺寸，RNN需要确定长度的序列
- 忽略拓扑结构：将图数据展平为向量会丢失节点间的连接信息
- 排列不变性：图的数学表示不应依赖于节点的编号顺序
# 传统全连接层的局限示例 import torch.nn as nn fc = nn.Linear(784, 256) # 假设输入是28x28展平的图像 # 但对于图数据，每个节点的邻居数量可能不同，无法统一处理1.2 图数据的独特优势
图结构数据在现实世界中无处不在：
| 应用领域 | 节点代表 | 边代表 |
|---|---|---|
| 社交网络 | 用户 | 关注/好友关系 |
| 推荐系统 | 用户和商品 | 购买/浏览行为 |
| 生物化学 | 原子 | 化学键 |
| 交通网络 | 车站/路口 | 道路/线路连接 |
提示：当数据中的关系比个体属性更重要时，图神经网络通常能提供更好的建模能力。
2. 图神经网络核心组件
2.1 图数据表示
在PyTorch Geometric(PyG)中，图数据被封装为Data对象，包含以下关键属性：
from torch_geometric.data import Data # 构建一个简单图示例 edge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]], dtype=torch.long) x = torch.tensor([[-1], [0], [1]], dtype=torch.float) data = Data(x=x, edge_index=edge_index)- 节点特征矩阵x：形状为[num_nodes, num_features]
- 边索引edge_index：形状为[2, num_edges]的COO格式稀疏矩阵
- 边属性edge_attr（可选）：边的特征表示
2.2 消息传递机制
GNN的核心是消息传递范式，包含三个关键步骤：
- 消息生成：每个节点从邻居收集信息
- 消息聚合：合并来自不同邻居的信息
- 节点更新：结合自身特征和聚合信息更新状态
import torch from torch.nn import Linear from torch_geometric.nn import MessagePassing class GCNLayer(MessagePassing): def __init__(self, in_channels, out_channels): super().__init__(aggr='add') # 使用加法聚合 self.lin = Linear(in_channels, out_channels) def forward(self, x, edge_index): # 1. 线性变换节点特征 x = self.lin(x) # 2. 开始消息传递 return self.propagate(edge_index, x=x) def message(self, x_j): # x_j包含所有邻居的特征 return x_j3. 实战：构建社交网络推荐模型
3.1 准备数据集
我们将使用PyG内置的Cora数据集，这是一个学术论文引用网络：
from torch_geometric.datasets import Planetoid dataset = Planetoid(root='/tmp/Cora', name='Cora') data = dataset[0] print(f'节点数: {data.num_nodes}') print(f'边数: {data.num_edges}') print(f'特征维度: {dataset.num_features}') print(f'类别数: {dataset.num_classes}')3.2 实现GCN模型
下面是一个完整的图卷积网络实现：
import torch.nn.functional as F from torch_geometric.nn import GCNConv class GCN(torch.nn.Module): def __init__(self, hidden_channels): super().__init__() self.conv1 = GCNConv(dataset.num_features, hidden_channels) self.conv2 = GCNConv(hidden_channels, dataset.num_classes) def forward(self, x, edge_index): x = self.conv1(x, edge_index) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) model = GCN(hidden_channels=16) print(model)3.3 训练与评估
训练过程与传统神经网络类似，但使用图结构数据：
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) criterion = torch.nn.NLLLoss() def train(): model.train() optimizer.zero_grad() out = model(data.x, data.edge_index) loss = criterion(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() return loss def test(): model.eval() out = model(data.x, data.edge_index) pred = out.argmax(dim=1) accs = [] for _, mask in data('train_mask', 'val_mask', 'test_mask'): accs.append(int((pred[mask] == data.y[mask]).sum()) / int(mask.sum())) return accs for epoch in range(1, 201): loss = train() train_acc, val_acc, test_acc = test() print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Train: {train_acc:.4f}, Val: {val_acc:.4f}')4. 进阶技巧与优化
4.1 处理大规模图数据
当图太大无法放入内存时，可以采用以下策略：
- 邻居采样：只计算目标节点的k-hop邻居
- 子图采样：随机抽取图的子集进行训练
- 图分区：将大图分割为多个可管理的子图
from torch_geometric.loader import NeighborLoader loader = NeighborLoader( data, num_neighbors=[30, 10], # 2-hop采样，每跳最多30和10个邻居 batch_size=32, input_nodes=data.train_mask ) for batch in loader: train_on_batch(batch)4.2 注意力机制的应用
图注意力网络(GAT)可以学习不同邻居的重要性权重：
from torch_geometric.nn import GATConv class GAT(torch.nn.Module): def __init__(self, hidden_channels, heads=8): super().__init__() self.conv1 = GATConv(dataset.num_features, hidden_channels, heads=heads) self.conv2 = GATConv(hidden_channels*heads, dataset.num_classes, heads=1) def forward(self, x, edge_index): x = F.dropout(x, p=0.6, training=self.training) x = self.conv1(x, edge_index) x = F.elu(x) x = F.dropout(x, p=0.6, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1)4.3 模型解释与可视化
理解GNN的决策过程对于实际应用至关重要：
import networkx as nx import matplotlib.pyplot as plt def visualize_graph(g, color): plt.figure(figsize=(10, 10)) plt.xticks([]) plt.yticks([]) nx.draw_networkx(g, pos=nx.spring_layout(g, seed=42), with_labels=False, node_color=color, cmap="Set2") plt.show() # 转换为NetworkX图 G = nx.Graph() edge_index = data.edge_index.numpy() G.add_edges_from(edge_index.T) visualize_graph(G, color=data.y)在实际项目中，我发现合理设置隐藏层维度和注意力头数对模型性能影响显著。对于中等规模的图数据，通常16-64维的隐藏表示配合4-8个注意力头就能取得不错的效果。过大的模型反而容易在小数据集上过拟合。