2025年图神经网络入门指南：从基础概念到实战应用

1次阅读

共计 2543 个字符，预计需要花费 7 分钟才能阅读完成。

图神经网络（GNN）的核心价值在于处理非欧几里得数据。传统深度学习模型（如 CNN）假设数据是网格状的，但现实世界中的关系数据（社交网络、分子结构）天生就是图结构。新手常见两大痛点：

数据预处理复杂 ：需要将图数据转换为模型可接受的格式，包括节点特征、边索引等特殊数据结构
模型选择困惑 ：GCN、GAT 等不同架构各有特点，缺乏直观的性能对比参照

GCN（图卷积网络）
适用场景：同质图（节点 / 边类型单一）
计算复杂度：O(|E|d²)（边数量×特征维度平方）
特点：通过度矩阵归一化实现邻域信息聚合
GAT（图注意力网络）
适用场景：异构图或重要节点差异大的场景
计算复杂度：O(|V|d² + |E|d)（节点和边的线性组合）
特点：引入可学习的注意力权重，无需预先定义邻域重要性
GraphSAGE
适用场景：超大规模图（支持邻居采样）
计算复杂度：O(r^L d²)（r 为采样邻居数，L 为层数）
特点：通过采样解决邻居爆炸问题，支持归纳学习

import torch
from torch_geometric.datasets import Planetoid
from torch_geometric.transforms import NormalizeFeatures

# 加载 Cora 论文引用数据集（自动下载）dataset = Planetoid(root='data/Cora', name='Cora', transform=NormalizeFeatures())
data = dataset[0]  # 获取单图数据

# 查看数据结构
print(f'节点数: {data.num_nodes}')
print(f'边数: {data.num_edges}')
print(f'特征维度: {data.num_features}')
print(f'类别数: {dataset.num_classes}')

import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.nn import GCNConv, GATConv

class DualGNN(nn.Module):
    def __init__(self, in_dim, hidden_dim, out_dim):
        super().__init__()
        # 第一层采用 GCN
        self.conv1 = GCNConv(in_dim, hidden_dim)
        # 第二层采用 GAT
        self.conv2 = GATConv(hidden_dim, out_dim, heads=2, concat=False)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = F.dropout(x, p=0.5, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DualGNN(dataset.num_features, 16, dataset.num_classes).to(device)
data = data.to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

def train():
    model.train()
    optimizer.zero_grad()
    out = model(data.x, data.edge_index)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()
    return loss.item()

for epoch in range(200):
    loss = train()
    if epoch % 20 == 0:
        print(f'Epoch {epoch:03d}, Loss: {loss:.4f}')

# 测试评估
model.eval()
pred = model(data.x, data.edge_index).argmax(dim=1)
correct = (pred[data.test_mask] == data.y[data.test_mask]).sum()
acc = int(correct) / int(data.test_mask.sum())
print(f'Test Accuracy: {acc:.4f}')