1 問題描述

最近在學習GNN，需要使用PyTorch Geometric（PyG）庫。在安裝PyG的過程中，遇到了torch-sparse安裝失敗的問題，錯誤提示為：

ERROR: Failed building wheel for torch-sparse

本文將詳細記錄問題的解決過程，并提供多種解決方案，幫助同樣遇到問題的uu順利安裝PyG。

---

2 PyG安裝流程

PyG的安裝依賴于以下幾個核心庫：

• torch-scatter
• torch-sparse
• torch-cluster
• torch-spline-conv
• torch-geometric

通常的安裝命令如下：

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-geometric

然而，在安裝torch-sparse時，我這里遇到Failed building wheel for torch-sparse的錯誤。

---

3. 解決方案

3.1 檢查PyTorch和CUDA版本

首先，確保你的PyTorch和CUDA版本與PyG兼容。可以通過以下命令查看PyTorch和CUDA版本：

import torch
print(torch.__version__)  
print(torch.version.cuda) 

3.2 手動指定版本安裝

如果版本不匹配，可以手動指定torch-sparse的版本進行安裝。以下是具體步驟：

1. PyG的官方Wheel文件頁面：
   https://pytorch-geometric.com/whl/index.html
   順便放一下官網鏈接：https://pytorch-geometric.readthedocs.io/en/latest/

2. 找到與你的PyTorch和CUDA版本匹配的torch-sparse版本。例如，我的PyTorch版本是2.4.1，CUDA版本是cu118，使用以下命令：

   pip install torch-sparse==0.6.18 -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   

3. 依次安裝其他依賴庫：

   pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   pip install torch-geometric
   

3.3 直接下載Wheel文件安裝

如果還是不行，可以直接從PyG的Wheel文件頁面下載對應的.whl文件，然后使用pip安裝。例如：

pip install torch_sparse-0.6.18-cp310-cp310-win_amd64.whl

3.4 安裝構建工具

如果缺少構建工具，可以嘗試安裝以下工具：

• Windows：安裝Visual Studio Build Tools
• Linux：安裝cmake和g++：

  sudo apt-get install cmake g++
  

---

4 驗證安裝成功

安裝完成后，可以通過以下一個小的demo來驗證PyG是否安裝成功：

import torch
from torch_geometric.data import Data# 創建圖數據demo
edge_index = torch.tensor([[0, 1], [1, 2]], dtype=torch.long)
x = torch.tensor([[1], [2], [3]], dtype=torch.float)data = Data(x=x, edge_index=edge_index.t().contiguous())
print(data)

輸出如下：

Data(x=[3, 1], edge_index=[2, 2])