PyG教程(3)：邻居采样

一.为什么需要邻居采样？

在GNN领域，大图是非常常见的，但由于GPU显存的限制，大图是无法放到GPU上进行训练的。为此，可以采用邻居采样，这样一来可以将GNN扩展到大图上。在PyG中，邻居采样的方式有很多种，具体详解torch_geometric.loader。本文以GraphSage中的邻居采样为例进行介绍，其在PyG中实现为NeighborLoader。

NeighborSampler也是PyG中关于GraphSage中邻居采样的实现，但已经被弃用，在未来版本中会被删除。

二.NeighborLoader详解

2.1 GraphSage邻居采样原理

假设采样的层数为$K$，每层采样的邻居数为$S_k$，GraphSage中邻居采样是这样进行的：

• 步骤一：首先给定要采样邻居的小批量节点集$\mathcal{B}$；
• 步骤二：对$\mathcal{B}$的$1$跳（hop）邻居进行采样，然后得到${\mathcal{B}}_1$，然后对${\mathcal{B}}_1$的$1$跳邻居进行采样（即最初结点集的$2$跳邻居）得到${\mathcal{B}}_2$，如此往复进行$K$次，得到最初小批量节点集相关的一个子图。

下图左是GraphSage中给出的一个2层邻居采样的示例，其中每层采样的邻居数$S_k$是相等的（图中为3）。

2.2 API介绍

PyG中，GraphSage的邻居采样实现为torch_geometric.loader.NeighborLoader，其初始化函数参数为：

def __init__(
    self,
    data: Union[Data, HeteroData],
    num_neighbors: NumNeighbors,
    input_nodes: InputNodes = None,
    replace: bool = False,
    directed: bool = True,
    transform: Callable = None,
    neighbor_sampler: Optional[NeighborSampler] = None,
    **kwargs,
)

常用参数说明如下：

• data：要采样的图对象，可以为异构图HeteroData，也可以为同构图Data；
• num_neighbors：每个节点每次迭代（每层）采样的最大邻居数，List[int]类型，例如[2,2]表示采样2层，每层中每个节点最多采样2个邻居；
• input_nodes：从原始图中采样得到的子图中需要包含的原始图中节点索引，即2.1节中最初的$\mathcal{B}$，torch.Tensor()类型；
• directed：如果设置为False，将包括所有采样节点之间的所有边；
• **kwargs：torch.utils.data.DataLoader的额外参数，例如batch_size，shuffle（具体详见该API）。

2.3 采样实践

为了可视化的美观性，本小节采用的图数据是PyG中提供的KarateClub数据集，该数据集描述了一个空手道俱乐部会员的社交关系，节点为34名会员，如果两位会员在俱乐部之外仍保持社交关系，则在对应节点间连边，该数据集的可视化如下所示：

下面是对该数据集的加载、可视化以及邻居采样的源码：

import torch
from torch_geometric.datasets import KarateClub
from torch_geometric.utils import to_networkx
import networkx as nx
import matplotlib.pyplot as plt
from torch_geometric.loader import NeighborLoader


def draw(graph):
    nids = graph.n_id
    graph = to_networkx(graph)
    for i, nid in enumerate(nids):
        graph.nodes[i]['txt'] = str(nid.item())
    node_labels = nx.get_node_attributes(graph, 'txt')
    # print(node_labels)
    # {0: '14', 1: '32', 2: '33', 3: '18', 4: '30', 5: '28', 6: '20'}
    nx.draw_networkx(graph, labels=node_labels, node_color='#00BFFF')
    plt.axis("off")
    plt.show()


dataset = KarateClub()
g = dataset[0]
# print(g)
# Data(x=[34, 34], edge_index=[2, 156], y=[34], train_mask=[34])
g.n_id = torch.arange(g.num_nodes)

for s in NeighborLoader(g, num_neighbors=[2, 2], input_nodes=torch.Tensor([14])):
    draw(s)
    break

在上述源码中，设置的采样层数为2层、每个节点每层采样最多采样2个邻居，采样的初始节点集为{14}，其对应的采样结果如下所示：

从上图可以看出，在第一次迭代中，采样了节点{14}的两个1跳邻居{32,33}，然后在第二次迭代中对{32,33}分别进行采样得到{2,8]}和{18,30}。

需要注意是通过NeighborLoader返回的子图中，全局节点索引会映射到到与该子图对应的局部索引。因此，若要将当前采样子图中的节点映射会原来图中对应的节点，可以在原始图中创建一个属性来完成两者之间的映射，例如采样实践源码中的：

g.n_id = torch.arange(g.num_nodes)

如此以来，采样后子图中的节点同样包含n_id属性，这样就可以将子图的节点映射回去了，上述示例中对图进行可视化便利用了这一点，其对应的映射为：

{0: '14', 1: '32', 2: '33', 3: '18', 4: '30', 5: '28', 6: '20'}

结语

PyG中对于邻居采样的实现远远不止上述这一种，具体参见如下官网资料：

• torch_geometric.loader