欢迎来到 Spektral

Spektral 是一个基于 Keras API 和 TensorFlow 2 的图深度学习 Python 库。该项目的主要目标是提供一个简单而灵活的框架，用于构建图神经网络（GNN）。

您可以使用 Spektral 对社交网络用户进行分类、预测分子性质、利用 GAN 生成新图、对节点进行聚类、预测边的存在性，以及处理任何以图结构描述数据的任务。

Spektral 实现了图深度学习中一些最流行的层，包括：

• 图卷积网络（GCN）
• 切比雪夫卷积
• GraphSAGE
• ARMA 卷积
• 边条件卷积（ECC）
• 图注意力网络（GAT）
• 近似个性化传播神经预测（APPNP）
• 图同构网络（GIN）
• 扩散卷积

以及其他许多层（详见 卷积层）。

您还可以找到 池化层，包括：

• MinCut 池化
• DiffPool
• Top-K 池化
• 自注意力图（SAG）池化
• 全局池化
• 全局门控注意力池化
• SortPool

Spektral 还包含大量实用工具，用于在您的图深度学习项目中表示、操作和转换图。

请参阅 如何开始使用 Spektral 并查看 示例 以获取一些模板。

项目的源代码可在 Github 上获得。文档请见 这里。

如果您希望在工作中引用 Spektral，请参考我们的论文：

使用 Spektral 在 TensorFlow 和 Keras 中实现图神经网络
Daniele Grattarola 和 Cesare Alippi

安装

Spektral 兼容 Python 3.6 及以上版本，并已在最新版本的 Ubuntu、MacOS 和 Windows 上进行了测试。其他 Linux 发行版也应该可以正常工作。

安装 Spektral 最简单的方式是从 PyPI 获取：

pip install spektral

若要从源码安装 Spektral，请在终端中执行以下命令：

git clone https://github.com/danielegrattarola/spektral.git
cd spektral
python setup.py install  # 或 'pip install .'

在 Google Colab 上安装 Spektral：

! pip install spektral

Spektral 1.0 新特性

Spektral 1.0 版本是该库的一个重要里程碑，带来了许多新功能和改进。

如果您已经在项目中使用过 Spektral，唯一需要注意的重大变化是新的 datasets API。

以下是新特性和变更的摘要：

• 新的 Graph 和 Dataset 容器统一了 Spektral 处理数据的方式。这不会影响您的模型，但会使您在 Spektral 中使用数据更加方便。
• 新的 Loader 类隐藏了创建图批次的所有复杂性。无论您是想编写自定义训练循环，还是使用 Keras 著名的 model.fit() 方法，您只需关注训练逻辑，而无需操心数据问题。
• 新的 transforms 模块实现了多种常见的图操作，您可以直接将其应用于数据集。
• 新的 GeneralConv 和 GeneralGNN 类使您能够构建通用型模型。借助最新文献中的前沿成果，您无需担心选择哪一层或哪种架构，因为默认设置在大多数情况下都能很好地工作。
• 新增数据集：QM7 和 ModelNet10/40，以及 OGB 数据集的新封装。
• 对库的结构和依赖关系进行了重大清理。
• 新的示例和教程。

贡献

Spektral 是一个开源项目，可在 Github 上找到，欢迎各种形式的贡献。如果您有有趣的内容想要添加到框架中，欢迎随时提交拉取请求。

贡献指南可在 这里 查阅，功能请求列表则可在 这里 找到。

Spektral 快速上手指南

Spektral 是一个基于 Keras API 和 TensorFlow 2 的 Python 图库深度学习库，旨在提供简单灵活的框架来构建图神经网络（GNN）。它支持节点分类、链接预测、图生成等多种任务，并内置了 GCN、GAT、GraphSAGE 等主流模型层。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Ubuntu、macOS 或 Windows（其他 Linux 发行版通常也可用）。
• Python 版本：Python 3.6 及以上。
• 核心依赖：
  • TensorFlow 2.x
  • Keras (通常随 TensorFlow 一起安装)
  • NumPy, SciPy, NetworkX 等科学计算库（安装 Spektral 时会自动处理大部分依赖）。

提示：建议使用虚拟环境（如 venv 或 conda）进行隔离安装，以避免依赖冲突。

安装步骤

方法一：通过 PyPI 安装（推荐）

这是最简便的安装方式。如果您在中国大陆地区，建议使用国内镜像源以加速下载：

pip install spektral -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用阿里云镜像：

pip install spektral -i https://mirrors.aliyun.com/pypi/simple/

方法二：从源码安装

如果您需要最新的功能或参与贡献，可以从 GitHub 克隆源码进行安装：

git clone https://github.com/danielegrattarola/spektral.git
cd spektral
pip install .

方法三：在 Google Colab 中使用

如果您在云端环境中运行，直接使用以下命令即可：

! pip install spektral

基本使用

Spektral 1.0 引入了标准化的 Graph 数据容器和 Loader 类，简化了数据批处理和模型训练流程。以下是一个构建简单图卷积网络（GCN）并进行训练的极简示例。

1. 导入依赖与准备数据

首先导入必要的模块，并创建一个简单的图数据对象。

import tensorflow as tf
from spektral.data import Graph, Loader
from spektral.layers import GCNConv
from tensorflow.keras import Model
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.losses import CategoricalCrossentropy

# 创建一个简单的示例图
# x: 节点特征矩阵 (N nodes, F features)
# a: 邻接矩阵 (N nodes, N nodes)
# y: 节点标签 (用于节点分类任务)
import numpy as np

N = 100  # 节点数
F = 16   # 特征维度
C = 4    # 类别数

x = np.random.rand(N, F).astype('f')
a = np.random.randint(0, 2, (N, N)).astype('f')
a = (a + a.T) / 2  # 使矩阵对称
np.fill_diagonal(a, 0) # 去除自环
y = np.random.randint(0, C, N) # 随机标签

# 将数据封装为 Spektral 的 Graph 对象
graph = Graph(x=x, a=a, y=y)

# 使用 Loader 进行批处理 (对于单图任务，batch_size 通常设为 1)
loader = Loader(graph, batch_size=1, epochs=10)

2. 构建模型

利用 Spektral 提供的 GCNConv 层构建一个标准的 Keras 模型。

class GCN(Model):
    def __init__(self, n_classes):
        super().__init__()
        self.conv1 = GCNConv(32, activation='relu')
        self.conv2 = GCNConv(n_classes, activation='softmax')
        self.dropout = Dropout(0.5)

    def call(self, inputs):
        x, a = inputs
        x = self.dropout(x, training=True)
        x = self.conv1([x, a])
        x = self.dropout(x, training=True)
        x = self.conv2([x, a])
        return x

model = GCN(n_classes=C)
model.compile(optimizer=Adam(lr=0.01), loss=CategoricalCrossentropy(from_logits=False))

3. 训练模型

使用 Keras 熟悉的 fit 接口配合 Loader 开始训练。

# 开始训练
model.fit(loader.load(), steps_per_epoch=loader.steps_per_epoch, epochs=10)

通过以上步骤，您已成功运行了一个基础的图神经网络模型。您可以参考官方文档中的 Examples 部分，探索更多针对分子属性预测、社交网络分析等场景的高级用法。