简介面向图神经网络初学者与研究人员的系统课程资料围绕非欧几里得结构数据的表示与学习展开适用于社交网络、分子结构、推荐系统、知识图谱等典型应用场景。课程从图的基本概念、图的表示与分类讲起系统梳理邻接矩阵、拉普拉斯矩阵与谱图理论等核心数学基础随后深入解析图卷积网络、图注意力网络、图生成网络等主流架构的工作机理与适用场景并配合节点分类、图分类、链接预测等典型任务进行案例拆解。实践层面重点讲解现成图神经网络框架的安装与使用帮助读者在真实数据集上完成模型构建、训练与测试配套的课程讲义、实验指导书、参考文献和代码示例为逐步动手实现提供了完整支撑。资源包压缩后大小约29.41MB现有109人学习学后可同时建立理论认知与工程能力并跟进前沿研究动向适合作为入门到进阶的系统学习资料。1. 图神经网络GNN导论先想清楚zip里到底装着什么从资源站拖回一份图神经网络导论-GNN课程.zip解压后通常是一堆 notebook、讲义和一个空的 data 目录。最容易踩的坑是按顺序把每个 notebook 敲一遍结果在环境依赖和维度报错上耗掉整个下午。这里把这类课程包的通用写法拆开图数据长什么样、图神经网络GNN的消息传递为什么能处理它、怎么用 PyTorch Geometric 在本地把最小实验跑通以及 zip 包损坏和模型过平滑时怎么收场。适合刚接触GNN的工程师和准备把图模型用到自己业务里的同学。如果你已经有两三年图模型经验可以直接跳到第 5 章看压缩包排错与固定随机种子的技巧。2. 图神经网络GNN的建模核心消息传递与三种典型卷积2.1 从图数据到节点表征GNN和CNN的分水岭2.1.1 为什么卷积不能直接搬到图上CNN 的卷积核依赖规则网格。图像上每个像素周围有固定数量的邻居且邻居有明确的空间顺序图数据不具备这两个前提。社交网络里一个节点可能有 3 个邻居也可能有 3000 个分子图里原子之间是化学键关系稀疏且无方向顺序程序控制流图的边还带跳转、分支等不同语义。邻居数量不定、排列顺序不定固定形状的卷积核就没有定义。GNN 的应对思路是把“卷积”替换成“对邻居做置换不变的聚合”。聚合函数不关心邻居先来后到相同输入集合总能得到相同输出这让同一个模型能处理任意度数的节点。这个差异决定了你在阅读课程代码时看到的不再是Conv2d而是MessagePassing。2.1.2 消息传递的三个阶段消息、聚合、更新一个图卷积层可以拆成三个可替换的步骤每个邻居节点先把自己的特征做一次线性变换生成一条消息目标节点把收到的所有消息按 sum、mean 或 max 合并聚合函数必须对输入顺序不敏感最后把聚合结果和目标节点自身特征一起过更新函数得到新的节点表示。用 PyTorch 风格表达# 一个图卷积层的前向伪代码 for u in graph.nodes: messages [linear(x[v]) for v in graph.neighbors(u)] aggr torch.sum(messages, dim0) # 换成 mean / max 同样成立 x[u] relu(project(torch.cat([x[u], aggr])))linear是消息函数torch.sum是聚合函数relu(project(...))是更新函数。不同 GNN 变体基本就是在这三个环节上做文章。GCN 比较特别它把这三步压缩成一次对称归一化的邻域平均。令 A 是邻接矩阵先加自环再按度归一化每层前向写成H σ(D^{-1/2}(AI)D^{-1/2} H W)每一层的输出都等于把邻居特征含自身平均一遍再做一次线性映射。层数堆叠两三层节点表征就混合了两步以内的邻居信息。这也是后面说“GNN 层数不是越深越好”的根源。2.2 GCN、GAT、GIN 的选型差异模型聚合方式参数量典型场景GCN对称归一化求和小节点分类、链路预测、快速基线GAT注意力加权求和中需要解释邻居重要性、异配图GIN单层 MLP 映射较大图分类、结构区分度要求高课程包里的作业如果只要求“在 Cora 上跑一个图卷积神经网络”默认提交两层 GCN 就够了实现简单Cora 上稳定在 81% 左右测试准确率。GAT 把每条边算出一个注意力权重适合你需要可视化“模型更关注哪些邻居”的场景代价是训练更慢学习率从 0.01 降到 0.005 才能收敛。GIN 用 MLP 替代 GCN 里的单层线性变换理论上对标 WL 图同构测试图分类任务上往往赢 GCN但小数据上更容易过拟合。选型顺序我一般是先 GCN 出基线时间允许再叠 GAT最后才考虑 GIN。2.3 GNN 能覆盖的任务面节点分类、链路预测与测试用例生成按输出粒度分GNN 的任务可以切成三类节点级用户异常检测、论文主题分类、链路级推荐系统、知识图谱补全、图级分子性质预测、程序缺陷预测。测试用例生成是图级任务的典型长尾场景把被测程序的方法调用关系、控制流图编码成图让 GNN 对“哪些基本块值得继续探索”打分分数高的路径进入用例集合。这种做法的价值在于消息传递自动覆盖了更深层的数据依赖不需要手工设计路径权重。课程项目里更常见的误区是拿到数据第一件事就是装torch_geometric。实际上应该先确认手里数据能不能构成一张图——有没有节点、边和边属性缺失比例是多少标签在哪个粒度。图数据质量决定后续所有实验的天花板模型选型只能决定你能不能摸到天花板。3. 本地跑通GNN课程代码zip解压、环境准备与第一个Cora实验3.1 解压前先做三件事校验、预览、隔离从网上下载的压缩包要默认不可信。先记哈希再列目录最后解压到独立目录。unzip -l只列出内容不落盘能提前发现路径穿越条目里带../或混在数据目录里的可执行脚本。命令如下sha256sum 图神经网络导论-GNN课程.zip unzip -l 图神经网络导论-GNN课程.zip | head -50 mkdir -p ~/workspace/gnn-course unzip 图神经网络导论-GNN课程.zip -d ~/workspace/gnn-course-d指定解压目标目录避免把一堆文件散落在当前目录。Windows 上没有sha256sum时用certutil -hashfile 文件.zip SHA256预览可以直接用 7-Zip 打开压缩包不急着解压。课程 zip 解出来常见的目录是这样gnn-course/ ├── slides/ ├── notebooks/01_intro.ipynb ├── code/ │ ├── requirements.txt │ └── train.py └── data/data 目录通常为空README 会写数据下载方式。如果你是在 GitHub 上下载仓库 zip 来安装同样先看requirements.txt再操作别急着全量安装。3.2 建立 Python 环境并安装 PyTorch Geometric用 conda 建一个干净环境避免污染本机 Python。命令conda create -n gnn python3.11 -y conda activate gnn pip install torch pip install torch_geometric这里有两个值得说明的点。第一torch_geometric 2.3 之后逐步内聚 C 扩展到 3.x 版本不需要再手动安装torch_scatter、torch_sparse这些独立包如果你看的教程让你先编译这几个包说明教程写于两三年前。第二pip install torch默认装的是带 CUDA 的版本即便本机没有 GPU 也能跑只是安装体积大。注意安装完必须验证一次import torch_geometric验证通过再开始写模型代码。python -c import torch_geometric; print(torch_geometric.__version__)如果 import 抛ModuleNotFoundError: No module named torch_sparse优先检查 torch_geometric 版本而不是去补装旧生态。3.3 载入 Cora 数据集跑通第一段 GNN 代码Cora 是引文网络基准2708 篇论文作为节点5429 条引用关系作为边无向展开后edge_index有 10556 条词袋特征作为初始向量每篇论文分到 7 个主题之一。PyG 的Planetoid可以直接拉取并划分训练集、验证集、测试集from torch_geometric.datasets import Planetoid dataset Planetoid(root/tmp/gnn-data, nameCora) data dataset[0] print(data)运行后应看到Data(x[2708, 1433], edge_index[2, 10556], ...)。root是缓存目录数据下过一次就不再访问网络data.train_mask、data.val_mask、data.test_mask是布尔掩码分别指向 140、500、1000 个样本。第一次下载如果网络超时把缓存目录里的 raw 文件用课程包提供的替代源补齐再重试。接着用一个未经训练的随机初始化模型做前向验证环境没问题import torch from torch_geometric.nn import GCNConv class RandomGCN(torch.nn.Module): def __init__(self, num_features, num_classes): super().__init__() self.conv1 GCNConv(num_features, 16) self.conv2 GCNConv(16, num_classes) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() return self.conv2(x, edge_index) model RandomGCN(dataset.num_features, dataset.num_classes) out model(data.x, data.edge_index) print(out.shape) # torch.Size([2708, 7])GCNConv第一参数是输入特征维数第二参数是输出维数data.x是节点特征矩阵edge_index是邻居关系。输出形状[2708, 7]说明每个节点都拿到了一个 7 维 logits模型结构没问题。PyG 里一个Data对象就代表一张图data.num_graphs恒为 1真正要训练图分类任务时才需要把多个图合成Batch。到这里环境、数据、前向链路全部打通可以进入真实的训练环节。4. 用PyTorch Geometric实现GCN与GAT参数、训练与评估4.1 两层 GCN 的标准实现与默认参数把上一章的占位模型替换为可训练版本去掉随机前缀import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv class GCN(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels): super().__init__() self.conv1 GCNConv(in_channels, hidden_channels) self.conv2 GCNConv(hidden_channels, out_channels) def forward(self, x, edge_index): x self.conv1(x, edge_index) x F.relu(x) x F.dropout(x, p0.5, trainingself.training) x self.conv2(x, edge_index) return x几个参数要讲清楚。hidden_channels16时全模型约两万三千个参数对 Cora 这个规模刚好dropout(p0.5, trainingself.training)只能让训练阶段启用测试阶段自动关闭GCNConv默认做add_self_loopsTrue和对称归一化所以不需要手工加自环。如果你想关闭归一化做理论验证构造卷积时传normalizeFalse即可。4.2 升级为 GAT 多头注意力GAT 的差别在聚合函数给每条边计算注意力系数再按系数加权求和。标准配置是第一层 8 个头、每头输出 8 维第二层单头输出类别数from torch_geometric.nn import GATConv class GAT(torch.nn.Module): def __init__(self, in_channels, hidden, out_channels, heads8): super().__init__() self.conv1 GATConv(in_channels, hidden, headsheads) self.conv2 GATConv(hidden * heads, out_channels, heads1) def forward(self, x, edge_index): x F.dropout(x, p0.6, trainingself.training) x F.elu(self.conv1(x, edge_index)) x F.dropout(x, p0.6, trainingself.training) x self.conv2(x, edge_index) return xheads8并不直接改变输出宽度它让每个头在自己子空间里独立计算注意力再拼接起来所以第二层的输入维度要乘 8即hidden * heads。激活函数换成ELU是 GAT 原论文的设定对负输入不直接截断梯度更平滑。这里 dropout 提到 0.6是注意力权重的正则化惯用值。GAT 的参数量比同宽度 GCN 大约 4 倍小图上收敛也慢别一上来就调大 hidden。4.3 训练与评估的统一入口训练前固定损失函数和优化器。Cora 只有一个 Graph 对象训练时用train_mask过滤节点做监督而不是把整图拆成 batchdef train(model, data, epochs200, lr0.01, weight_decay5e-4): model.train() optimizer torch.optim.Adam(model.parameters(), lrlr, weight_decayweight_decay) loss_fn torch.nn.CrossEntropyLoss() for epoch in range(1, epochs 1): optimizer.zero_grad() out model(data.x, data.edge_index) loss loss_fn(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() if epoch 1 or epoch % 20 0: print(fepoch{epoch:3d} loss{loss.item():.4f})weight_decay5e-4是 L2 正则防止节点分类过拟合loss_fn只对train_mask选中的 140 个节点算交叉熵图里其余节点不参与反向传播。评估时切到 eval 模式用argmax取最大 logits 下标def evaluate(model, data): model.eval() with torch.no_grad(): pred model(data.x, data.edge_index).argmax(dim1) for name, mask in [(train, data.train_mask), (val, data.val_mask), (test, data.test_mask)]: acc (pred[mask] data.y[mask]).sum().item() / mask.sum().item() print(f{name} acc{acc:.4f})多分类任务默认看准确率即可如果标签分布不均衡可以把最后一行换成 Macro-F1PyG 本身不提供评估器用sklearn.metrics.f1_score的averagemacro就行。早停也值得做每个 epoch 记录val_mask上的最佳准确率并保存模型权重测试时加载最佳权重通常能比固定 epoch 高半个点。4.4 直接可抄的参数速查表模型hiddenlrweight_decaydropoutepochsCora test acc 参考GCN160.015e-40.520081% 左右GAT8每头0.0055e-40.630083% 左右GIN160.015e-40.520080% 左右这组参数是 Cora 这类千节点规模引文网络的起点。如果你的图更大节点数十万edge_index会占更多显存优先考虑邻居采样而不是调大 hidden如果图是异构图节点类型超过一种GCNConv直接不适用要换HeteroConv或RGCNConv。参数表里最值得记住的是学习率GAT 必须比 GCN 低一半否则注意力权重前期震荡损失曲线下不去。5. 图神经网络GNN课程包排错zip修复、过平滑与随机种子5.1 拿到zip先做完整性校验unzip -t 与 7-Zip 的差别课程包解压前先跑一条命令unzip -t 图神经网络导论-GNN课程.zip它逐个文件校验 CRC输出 OK 才说明完整中间出现bad CRC或error read zip archive意味着字节流在传输中被截断。此时 7-Zip 仍能拖出部分文件但那只是宽容解压坏块之后的内容可能错位。先校验再解压比依赖解压软件的容错更可靠。5.2 遇到 could not find eocd 怎么修复报错invalid zip archive: could not find eocd指的是 zip 末尾 22 字节的目录索引EOCD丢失或损坏常见于下载中断、文件以文本模式传输。常见做法是用 Info-ZIP 扫描重建zip -FF 图神经网络导论-GNN课程.zip --out gnn-course-fixed.zip unzip -t gnn-course-fixed.zip-FF全量扫描局部文件头和残留目录记录-F则依赖 EOCD所以对这条报错通常无效。修复后必须再校验。分卷 zip 先zip -s 0 主文件.zip --out 合并.zip合并。修不好就重新要原始文件别在损坏包上耗时间。5.3 过平滑和随机种子两个最容易翻车的点GCN 堆到四层以上测试准确率不升反降这是过平滑反复邻域平均让节点表征趋向一致。处理顺序先加残差x x conv(x, edge_index)再在层间加LayerNorm不行就换成 JK-Net 做层拼接。Cora 上两层 GCN 加 dropout 已接近上限不必追求深度。复现性差的源头常在初始化与 dropout。train.py顶部固定三个随机源import random, numpy as np, torch random.seed(42) np.random.seed(42) torch.manual_seed(42) torch.backends.cudnn.deterministic Truetorch.manual_seed同时覆盖 CPU 与 GPUcudnn.deterministic让卷积选确定性算法。用 42 和 2024 各跑一次并记录测试准确率同一份代码两次差距应小于 1 个百分点差距过大先检查 torch_geometric 与 torch 版本是否一致而不是质疑算法本身。本文还有配套的精品资源点击获取