图网络库

Graph Nets 是 DeepMind 开发的用于在 TensorFlow 和 Sonnet 中构建图神经网络的库。

如有任何意见或问题，请联系 graph-nets@google.com。

什么是图网络？

图网络以图作为输入，并返回一个图作为输出。输入图包含边级（E）、节点级（V）和全局级（u）属性。输出图具有相同的结构，但其属性已被更新。图网络属于更广泛的“图神经网络”家族（Scarselli 等，2009 年）。

如需了解更多关于图网络的信息，请参阅我们的 arXiv 论文：关系归纳偏置、深度学习与图网络。

安装

Graph Nets 库可以通过 pip 安装。

此安装兼容 Linux/Mac OS X 以及 Python 2.7 和 3.4 及以上版本。

该库既支持 TensorFlow 的 CPU 版本，也支持 GPU 版本，但由于它并未将 TensorFlow 列为依赖项，因此如果您尚未安装 TensorFlow，则需要单独进行安装。

要安装 Graph Nets 库并将其与 TensorFlow 1 和 Sonnet 1 配合使用，请执行以下命令：

（CPU）

$ pip install graph_nets "tensorflow>=1.15,<2" "dm-sonnet<2" "tensorflow_probability<0.9"

（GPU）

$ pip install graph_nets "tensorflow_gpu>=1.15,<2" "dm-sonnet<2" "tensorflow_probability<0.9"

要安装 Graph Nets 库并将其与 TensorFlow 2 和 Sonnet 2 配合使用，请执行以下命令：

（CPU）

$ pip install graph_nets "tensorflow>=2.1.0-rc1" "dm-sonnet>=2.0.0b0" tensorflow_probability

（GPU）

$ pip install graph_nets "tensorflow_gpu>=2.1.0-rc1" "dm-sonnet>=2.0.0b0" tensorflow_probability

最新版本的库要求 TensorFlow ≥1.15。如需与较早版本的 TensorFlow 兼容，请安装 Graph Nets 库的 v1.0.4 版本。

使用示例

以下代码构建了一个简单的图网络模块，并将其连接到数据。

import graph_nets as gn
import sonnet as snt

# 提供您自己的函数来生成图结构化数据。
input_graphs = get_graphs()

# 创建图网络。
graph_net_module = gn.modules.GraphNetwork(
    edge_model_fn=lambda: snt.nets.MLP([32, 32]),
    node_model_fn=lambda: snt.nets.MLP([32, 32]),
    global_model_fn=lambda: snt.nets.MLP([32, 32]))

# 将输入图传递给图网络，并返回输出图。
output_graphs = graph_net_module(input_graphs)

演示 Jupyter 笔记本

该库包含演示，展示了如何创建、操作和训练图网络，以处理图结构化数据，任务包括最短路径查找、排序和物理预测。每个演示都使用相同的图网络架构，这突显了该方法的灵活性。

在 Colaboratory 中通过浏览器试用演示

无需在本地安装任何东西，您就可以通过云端 Colaboratory 后端，在浏览器中（甚至在手机上）运行这些演示。点击下面的演示链接，并按照笔记本中的说明操作。

---

在浏览器中运行“最短路径演示”

“最短路径演示”会创建随机图，并训练一个图网络来标记任意两个节点之间最短路径上的节点和边。在一系列消息传递步骤中（如每一步的图表所示），模型会不断优化其对最短路径的预测。

---

在浏览器中运行“排序演示” （运行 TF2 版本）

“排序演示”会创建随机数字列表，并训练一个图网络来对列表进行排序。经过一系列消息传递步骤后，模型能够准确预测哪些元素（图中的列）会依次出现在哪些元素之后（行）。

---

在浏览器中运行“物理演示”

“物理演示”会创建随机的质量-弹簧物理系统，并训练一个图网络来预测系统在下一个时间步的状态。模型对未来状态的预测可以作为输入再次反馈，从而生成未来轨迹的展开图。下图中的每个子图显示了真实与预测的质量-弹簧系统状态，共持续 50 步。这类似于 Battaglia 等人（2016 年）的“交互网络”模型及实验。

---

在浏览器中运行“图网络基础演示” （运行 TF2 版本）

“图网络基础演示”是一个教程，包含逐步示例，介绍如何创建和操作图、如何将它们输入图网络，以及如何构建自定义的图网络模块。

---

在您的本地机器上运行演示

要安装必要的依赖项，请执行以下命令：

$ pip install jupyter matplotlib scipy

要试用演示，请执行以下命令：

$ cd <graph-nets-library-path>/demos
$ jupyter notebook

然后通过 Jupyter 笔记本界面打开演示。

其他图神经网络库

请查看这些高质量的开源图神经网络库：

• jraph：DeepMind 针对 JAX 的 GNNs/GraphNets 库。
• pytorch_geometric：请参阅 MetaLayer 以了解我们 Graph Nets 接口的类似实现。
• 深度图库 (DGL)。

Graph Nets 快速上手指南

graph_nets 是 DeepMind 推出的用于在 TensorFlow 和 Sonnet 中构建图网络（Graph Networks）的开源库。图网络以图为输入，输出具有相同结构但属性更新的图，适用于处理具有关系归纳偏置的数据。

环境准备

• 操作系统：Linux 或 macOS
• Python 版本：2.7 或 3.4+
• 核心依赖：
  • TensorFlow (CPU 或 GPU 版本，需单独安装)
  • Sonnet (DeepMind 基于 TF 的神经网络库)
  • TensorFlow Probability

注意：该库未将 TensorFlow 列为强制依赖，以便兼容 CPU/GPU 不同版本，请务必先安装对应版本的 TensorFlow。

安装步骤

请根据您的 TensorFlow 版本选择对应的安装命令。建议使用国内镜像源（如清华源）加速下载。

方案 A：使用 TensorFlow 1.x 和 Sonnet 1

# CPU 版本
pip install graph_nets "tensorflow>=1.15,<2" "dm-sonnet<2" "tensorflow_probability<0.9" -i https://pypi.tuna.tsinghua.edu.cn/simple

# GPU 版本
pip install graph_nets "tensorflow_gpu>=1.15,<2" "dm-sonnet<2" "tensorflow_probability<0.9" -i https://pypi.tuna.tsinghua.edu.cn/simple

方案 B：使用 TensorFlow 2.x 和 Sonnet 2

# CPU 版本
pip install graph_nets "tensorflow>=2.1.0-rc1" "dm-sonnet>=2.0.0b0" tensorflow_probability -i https://pypi.tuna.tsinghua.edu.cn/simple

# GPU 版本
pip install graph_nets "tensorflow_gpu>=2.1.0-rc1" "dm-sonnet>=2.0.0b0" tensorflow_probability -i https://pypi.tuna.tsinghua.edu.cn/simple

若需兼容旧版 TensorFlow (<1.15)，请安装 graph_nets 的 v1.0.4 版本。

基本使用

以下示例展示了如何创建一个简单的图网络模块并处理图数据。您需要自行准备生成图结构化数据的函数 get_graphs()。

import graph_nets as gn
import sonnet as snt

# 提供您自己的函数来生成图结构化数据
input_graphs = get_graphs()

# 创建图网络模块
# 这里使用 MLP 作为边、节点和全局属性的更新模型
graph_net_module = gn.modules.GraphNetwork(
    edge_model_fn=lambda: snt.nets.MLP([32, 32]),
    node_model_fn=lambda: snt.nets.MLP([32, 32]),
    global_model_fn=lambda: snt.nets.MLP([32, 32]))

# 将输入图传入图网络，获取输出图
output_graphs = graph_net_module(input_graphs)

进阶体验

如果您希望直接运行官方提供的演示（如最短路径、排序任务、物理系统预测），无需本地配置即可通过 Google Colab 在浏览器中体验，或本地安装 jupyter matplotlib scipy 后运行 demos 目录下的 Notebook。