torch_geometric踩坑实战--安装与运行 亲测有效！！

torch_geometric是PyG中必不可少的一个包，也是进行图神经网络学习的必备，然而安装这个包并运行一段简单的代码踩了不少坑，记录一下。

1、安装torch_geometric

一开始，我直接pip

pip intsall torch_geometric

果然报错，提示没有torch_sparse

很显然是没有安装依赖，于是我去查需要哪些依赖

官网地址：Installation — pytorch_geometric documentation (pytorch-geometric.readthedocs.io)

按照官网给出的代码进行安装

pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-1.13.0+cpu.html

运行依旧没有成功...

于是手动下载

下载地址：https://data.pyg.org/whl/

（1）卸载安装的相关包

pip uninstall torch-geometric torch-scatter torch-sparse torch-cluster torch-spline-conv

（2）选择适合自己的torch和cuda版本

 （3）按照自己的python版本和操作系统下载

（4）进入conda激活虚拟环境，然后进入下载地址

这里注意需要进入D盘，cmd中进入D盘的命令为：

D:

 然后cd进入包的下载页面，直接pip install

安装完所有的依赖后记得 

pip install torch_geometric

 2、运行代码

import torch_geometric

 依旧报错：

Pytorch AttributeError: module 'torch' has no attribute 'sparse_scs'

这个就很让人费解，于是查看了一下

 发现torch.sparse里面确实没有这个模块，那为什么会报错呢？查看一些帖子后发现报这种错一般是因为版本不对，于是，降低torch_geometric版本，果然成功！！

我的版本：

 至此就安装成功啦！！

简单跑了个程序

import torch.nn.functional as F
class GCN(torch.nn.Module):
    def __init__(self, num_node_features, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_node_features, 16)
        self.conv2 = GCNConv(16, num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = F.softmax(x, dim=1)

        return x
model = GCN(dataset.num_node_features, dataset.num_classes)
print(model)

def train(model, data):
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=1e-4)
    loss_function = torch.nn.CrossEntropyLoss()
    model.train()
    for epoch in range(200):
        out = model(data)
        optimizer.zero_grad()
        loss = loss_function(out[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()

        print('Epoch {:03d} loss {:.4f}'.format(epoch, loss.item()))

train(model,data)

运行结果：

没问题！！接下来就可以建立一个自己的图神经网络啦~