---

加入我们的新闻通讯 📬

DataPro

AI的未来正在展开。别掉队。

与DataPro保持同步，这是面向数据科学家、AI/ML研究人员和数据工程师的免费每周通讯。
从热门工具如PyTorch、scikit-learn、XGBoost和BentoML，到关于数据库优化和真实世界ML工作流的实用见解，您将快速获取所需信息。

与DataPro一起保持敏锐。加入超过11.5万名数据专业人士，不错过任何重要资讯。

---

BIPro

业务运行依赖数据。确保您的数据讲述正确的故事。

BIPro是面向商业智能专业人士、分析师和数据领导者的免费每周通讯。
通过Power BI、Tableau、Looker、SQL和dbt等工具，获取关于仪表板设计、数据可视化和分析策略的实用技巧。

与BIPro一起提升专业能力。受到超过3.5万名商业智能专业人士的信赖，看看您错过了什么。

Packt大会：10月11日至13日（线上）将生成式AI付诸实践

3天，20多位AI专家，25场以上研讨会和主题演讲

优惠码：USD75OFF

使用Python动手实践图神经网络

这是由Packt出版的《使用Python动手实践图神经网络》一书的代码仓库。

利用PyTorch构建强大图神经网络和深度学习应用的实用技术和架构

这本书讲什么？

图神经网络是一种非常有效的工具，可用于分析以图形式表示的数据，例如社交网络、化学化合物或交通网络。过去几年里，图神经网络的应用呈爆炸式增长，涉及自然语言处理、计算机视觉、推荐系统以及药物研发等多个领域。

本书涵盖以下精彩内容：

• 理解图神经网络的基本概念
• 使用Python和PyTorch Geometric实现图神经网络
• 利用数百万样本对节点、图和边进行分类
• 预测并生成逼真的图拓扑结构
• 结合异构数据源以提升性能
• 利用拓扑信息预测未来事件
• 应用图神经网络解决实际问题

如果您觉得这本书适合您，请立即购买纸质版！

使用说明与导航

所有代码都按文件夹组织。

代码示例如下：

DG = nx.DiGraph()
DG.add_edges_from([('A', 'B'), ('A', 'C'), ('B', 'D'), ('B', 'E'), ('C', 'F'), ('C', 'G')])

本书适用人群： 本书适用于对图神经网络及其应用感兴趣的机器学习从业者和数据科学家，以及希望全面了解这一快速发展的领域的学生。无论您是初学者还是希望进一步提升技能，本书都能满足您的需求。具备基本的机器学习和Python编程知识将有助于您更好地理解本书内容。

掌握基础的Python知识将帮助您更好地理解示例。
按照以下软硬件要求，您可以运行书中第2至第14章的所有代码文件。

软件与硬件清单

为了获得最佳的学习效果，您应当对图论和机器学习的基本概念有所了解，例如监督学习与无监督学习、模型训练以及模型评估等。熟悉深度学习框架（如 PyTorch）将有所帮助，但并非必需，因为本书会全面介绍相关数学概念及其具体实现。

所需软件	所需操作系统
Python 3.8.15	Windows、Mac OS X 和 Linux（任意）
PyTorch 1.13.1	Windows、Mac OS X 和 Linux（任意）
PyTorch Geometric 2.2.0	Windows、Mac OS X 和 Linux（任意）

要安装 Python 3.8.15，您可以从 Python 官方网站下载最新版本：https://www.python.org/downloads/。我们强烈建议使用虚拟环境，例如 venv 或 conda。此外，如果您希望使用 NVIDIA 的图形处理器（GPU）来加速训练和推理，则需要安装 CUDA 和 cuDNN：

CUDA 是由 NVIDIA 开发的并行计算平台及 API，用于在 GPU 上进行通用计算。安装 CUDA 时，您可以按照 NVIDIA 官方网站上的说明进行操作：https://developer.nvidia.com/cuda-downloads。

cuDNN 是 NVIDIA 开发的一个库，为深度学习算法提供了高度优化的 GPU 实现原语。要安装 cuDNN，您需要在 NVIDIA 官网注册账号，并从 cuDNN 下载页面下载该库：https://developer.nvidia.com/cudnn。

您可以在 NVIDIA 官网查看支持 CUDA 的 GPU 产品列表：https://developer.nvidia.com/cuda-gpus。要安装 PyTorch 1.13.1，您可以参考 PyTorch 官方网站上的说明：https://pytorch.org/。请根据您的系统情况选择合适的安装方式（包括 CUDA 和 cuDNN）。

安装 PyTorch Geometric 2.2.0 时，您可以参照 GitHub 仓库中的说明：https://pytorch-geometric.readthedocs.io/en/2.2.0/notes/installation.html。在此之前，您需要先在系统中安装 PyTorch。

第 11 章需要 TensorFlow 2.4。安装方法可参考 TensorFlow 官方网站：https://www.tensorflow.org/install。请根据您的系统配置和所需版本选择合适的安装方式。

第 14 章则需要较旧版本的 PyTorch Geometric（2.0.4）。建议为此章节创建一个专用的虚拟环境。

第 15、16 和 17 章对 GPU 显存的需求较高。您可以通过减小代码中训练集的规模来降低显存占用。

其他一些 Python 库在部分或大部分章节中也会用到。您可以使用 pip install <name==version> 命令进行安装，也可以根据自身配置选择其他包管理工具（如 conda）。

以下是所需软件包及其对应版本的完整列表：

• torch==1.13.1+cu117
• torchvision==0.14.1+cu117
• torchaudio==0.13.1+cu117
• pandas==1.5.2
• gensim==4.3.0
• torch-scatter==2.1.0+pt113cu117
• torch-sparse==0.6.16+pt113cu117
• torch-cluster==1.6.0+pt113cu117
• torch-spline-conv==1.2.1+pt113cu117
• torch-geometric==2.2.0
• networkx==2.8.8
• matplotlib==3.6.3
• node2vec==0.4.6
• seaborn==0.12.2
• scikit-learn==1.2.0
• tensorflow-gpu~=2.4
• deepchem==2.7.1
• torch-geometric-temporal==0.54.0
• captum==0.6.0

完整的依赖清单可在 GitHub 上找到：https://github.com/PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python。此外，您也可以直接在 Google Colab 中导入笔记本：https://colab.research.google.com。

我们还提供包含本书中截图/图表彩色图像的 PDF 文件。点击此处下载。

更正说明

• 第 62 页：评分数量应为 55375，而非 48,580。

• 第 109 页：GAT 公式应为：

• 第 18 页（第一段第二句）：例如，入度高的节点很可能是重要的信息或资源来源。 应改为 例如，出度高的节点很可能是重要的信息或资源来源。

• 第 18 页（第一段第三句）：相比之下，出度高的节点很可能是重要的信息或资源的去向或消费者。 应改为 相比之下，入度高的节点很可能是重要的信息或资源的去向或消费者。

相关产品 <您可能喜欢的其他书籍>

• 使用 Python 的网络科学 [Packt] [Amazon]

• 使用 Python 的 3D 深度学习 [Packt] [Amazon]

认识作者

Maxime Labonne 是摩根大通的高级应用研究员，拥有巴黎理工学院的机器学习与网络安全博士学位。在攻读博士期间，Maxime 致力于开发用于计算机网络异常检测的机器学习算法。随后，他加入空中客车公司的 AI 连接实验室，运用其机器学习专长提升计算机网络的安全性和性能。之后，他加入摩根大通，目前致力于开发解决金融及其他领域各类挑战性问题的技术。除了科研工作外，Maxime 还热衷于通过 Twitter (@maximelabonne) 和个人博客与他人分享自己的知识和经验。

免费下载 PDF 版本

如果您已购买本书的纸质版或 Kindle 版，可免费获取无 DRM 限制的 PDF 版本。
只需点击链接即可领取您的免费 PDF。

https://packt.link/free-ebook/9781804617526

Hands-On Graph Neural Networks Using Python 快速上手指南

本指南基于《Hands-On Graph Neural Networks Using Python》一书配套代码库整理，旨在帮助开发者快速搭建环境并运行图神经网络（GNN）示例。

环境准备

在开始之前，请确保您的系统满足以下软硬件要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：推荐 3.8.15 (兼容范围通常为 3.8+)
• 核心框架：
  • PyTorch 1.13.1
  • PyTorch Geometric 2.2.0
• 硬件加速（可选）：若需使用 NVIDIA GPU 加速训练，需预先安装对应的 CUDA 和 cuDNN。本书示例基于 cu117 (CUDA 11.7)。
• 前置知识：具备基础的 Python 编程能力，了解机器学习基本概念（监督/非监督学习、模型评估）及图论基础更佳。

建议：强烈建议使用 venv 或 conda 创建独立的虚拟环境，以避免依赖冲突。第 14 章需要特定旧版本库，建议单独为该章节创建环境。

安装步骤

1. 创建虚拟环境

python -m venv gnn-env
# Windows
gnn-env\Scripts\activate
# macOS/Linux
source gnn-env/bin/activate

2. 安装 PyTorch (带 CUDA 支持)

根据官方推荐安装与 CUDA 11.7 匹配的 PyTorch 版本：

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117

(注：国内用户若下载缓慢，可尝试配置清华源或阿里源，但需注意第三方 wheel 包的兼容性)

3. 安装 PyTorch Geometric 及其依赖

PyTorch Geometric 需要编译特定的扩展库。请依次执行以下命令安装（确保版本与上述 PyTorch 匹配）：

pip install torch-scatter==2.1.0+pt113cu117 torch-sparse==0.6.16+pt113cu117 torch-cluster==1.6.0+pt113cu117 torch-spline-conv==1.2.1+pt113cu117 -f https://data.pyg.org/whl/torch-1.13.0+cu117.html
pip install torch-geometric==2.2.0

4. 安装其他依赖库

安装书中涉及的其他辅助库（如 pandas, networkx, scikit-learn 等）：

pip install pandas==1.5.2 gensim==4.3.0 networkx==2.8.8 matplotlib==3.6.3 node2vec==0.4.6 seaborn==0.12.2 scikit-learn==1.2.0 captum==0.6.0 torch-geometric-temporal==0.54.0

特殊章节依赖：

• 第 11 章：需额外安装 tensorflow-gpu~=2.4
• 药物发现相关：需安装 deepchem==2.7.1

基本使用

本书代码按章节组织在不同文件夹中。以下是一个最基础的示例，展示如何使用 networkx 构建有向图，这是学习后续 GNN 模型的基础数据结构。

代码示例：构建简单图结构

import networkx as nx
import matplotlib.pyplot as plt

# 创建一个有向图对象
DG = nx.DiGraph()

# 添加边 (节点会自动创建)
DG.add_edges_from([('A', 'B'), ('A', 'C'), ('B', 'D'), ('B', 'E'), ('C', 'F'), ('C', 'G')])

# 打印图的基本信息
print(f"节点数量：{DG.number_of_nodes()}")
print(f"边数量：{DG.number_of_edges()}")
print(f"节点列表：{list(DG.nodes())}")

# 可视化图形 (可选)
plt.figure(figsize=(6, 4))
nx.draw(DG, with_labels=True, node_color='lightblue', edge_color='gray', arrowsize=20)
plt.title("Simple Directed Graph Example")
plt.show()

运行书籍示例

克隆仓库后，进入对应章节目录（例如 Chapter02），直接运行 Jupyter Notebook (.ipynb) 或 Python 脚本即可复现书中的图分类、节点预测及拓扑生成等实验。

git clone https://github.com/PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python.git
cd Hands-On-Graph-Neural-Networks-Using-Python/Chapter02
jupyter notebook