本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

“CNN已老，GNN当立！”

当科学家们发现，图神经网络 (GNN) 能搞定传统CNN处理不了的非欧数据，从前深度学习解不开的许多问题都找到了钥匙。

如今，有个图网络PyTorch库，已在GitHub摘下2000多星，还被CNN的爸爸Yann LeCun翻了牌：

它叫PyTorch Geometric，简称PyG，聚集了26项图网络研究的代码实现。

这个库还很快，比起前辈DGL图网络库，PyG最高可以达到它的15倍速度。

应有尽有的库

要跑结构不规则的数据，就用PyG吧。不管是图形 (Graphs)，点云 (Point Clouds) 还是流形(Manifolds) 。

△ 右边是不规则的，非欧空间

这是一个丰盛的库：许多模型的PyTorch实现，各种有用的转换 (Transforms) ，以及大量常见的benchmark数据集，应有尽有。

说到实现，包括Kipf等人的图卷积网络 (GCN) 和Bengio实验室的图注意力网络 (GAT) 在内，2017-2019年各大顶会的 (至少) 26项图网络研究，这里都能找到快速实现。

到底能多快？PyG的两位作者用英伟达GTX 1080Ti做了实验。

对手DGL，也是图网络库：

在四个数据集里，PyG全部比DGL跑得快。最悬殊的一场比赛，是在Cora数据集上运行GAT模型：跑200个epoch，对手耗时33.4秒，PyG只要2.2秒，相当于对方速度的15倍。

每个算法的实现，都支持了CPU计算和GPU计算。

食用方法

库的作者，是两位德国少年，来自多特蒙德工业大学。

△ 其中一位

他们说，有了PyG，做起图网络就像一阵微风。

你看，实现一个边缘卷积层 (Edge Convolution Layer) 只要这样而已：

 1import torch  2from torch.nn import Sequential as Seq, Linear as Lin, ReLU  3from torch_geometric.nn import MessagePassing  4  5class EdgeConv(MessagePassing):  6 def __init__(self, F_in, F_out):  7 super(EdgeConv, self).__init__()  8 self.mlp = Seq(Lin(2 * F_in, F_out), ReLU(), Lin(F_out, F_out))  9 10 def forward(self, x, edge_index): 11 # x has shape [N, F_in] 12 # edge_index has shape [2, E] 13 return self.propagate(aggr='max', edge_index=edge_index, x=x) # shape [N, F_out] 14 15 def message(self, x_i, x_j): 16 # x_i has shape [E, F_in] 17 # x_j has shape [E, F_in] 18 edge_features = torch.cat([x_i, x_j - x_i], dim=1) # shape [E, 2 * F_in] 19 return self.mlp(edge_features) # shape [E, F_out] 

安装之前确认一下，至少要有PyTorch 1.0.0；再确认一下cuda/bin在$PATH里，cuda/include在$CPATH里：

1$ python -c "import torch; print(torch.__version__)" 2>>> 1.0.0 3 4$ echo $PATH 5>>> /usr/local/cuda/bin:... 6 7$ echo $CPATH 8>>> /usr/local/cuda/include:... 

然后，就开始各种pip install吧。

PyG项目传送门：

https://github.com/rusty1s/pytorch_geometric

PyG主页传送门：

https://rusty1s.github.io/pytorch_geometric/build/html/index.html

PyG论文传送门：

https://arxiv.org/pdf/1903.02428.pdf