DenseDataLoader 是專門用于處理稠密圖數據的，而 DataLoader 通常用于處理稀疏圖數據。兩者的主要區別在于它們的輸入數據格式和處理方式。DenseDataLoader 適合處理固定大小的鄰接矩陣和節點特征矩陣的數據，而 DataLoader 更加靈活，可以處理稀疏表示的圖數據。

主要區別

• DataLoader:

  • 適合處理稀疏圖數據。
  • 通常與 torch_geometric.data.Data 一起使用，其中邊索引是稀疏表示的。
  • 更加靈活，適合處理各種不同形狀和大小的圖。

• DenseDataLoader:

  • 適合處理稠密圖數據。
  • 通常與固定大小的鄰接矩陣和節點特征矩陣一起使用。
  • 更高效地處理固定大小的圖數據。

使用示例

使用 DenseDataLoader

如果你有固定大小的鄰接矩陣和節點特征矩陣，可以直接使用 DenseDataLoader 加載數據：

1. 導入必要的庫

import torch
from torch_geometric.data import Data
from torch_geometric.loader import DenseDataLoader

2. 定義數據集類

class MyDenseDataset(torch.utils.data.Dataset):def __init__(self, num_samples, num_nodes, num_node_features):self.num_samples = num_samplesself.num_nodes = num_nodesself.num_node_features = num_node_featuresself.adj_matrix = self.create_adj_matrix(num_nodes)def create_adj_matrix(self, num_nodes):# 創建環形圖的鄰接矩陣adj_matrix = torch.zeros((num_nodes, num_nodes), dtype=torch.float)for i in range(num_nodes):adj_matrix[i, (i + 1) % num_nodes] = 1adj_matrix[(i + 1) % num_nodes, i] = 1return adj_matrixdef __len__(self):return self.num_samplesdef __getitem__(self, idx):# 創建隨機特征和標簽x = torch.randn((self.num_nodes, self.num_node_features))y = torch.randn((self.num_nodes, 1))  # 每個節點一個標簽return Data(x=x, adj=self.adj_matrix, y=y)

3. 創建數據集和封裝數據

# 參數設置
num_samples = 100  # 樣本數
num_nodes = 10  # 每個圖中的節點數
num_node_features = 8  # 每個節點的特征數# 創建數據集
dataset = MyDenseDataset(num_samples, num_nodes, num_node_features)

4. 使用 DenseDataLoader

# 使用 DenseDataLoader 加載數據
loader = DenseDataLoader(dataset, batch_size=32, shuffle=True)# 從 DenseDataLoader 中獲取一個批次的數據并查看其形狀
for data in loader:print("Batch node features shape:", data.x.shape)  # 期望輸出形狀為 (32, 10, 8)print("Batch adjacency matrix shape:", data.adj.shape)  # 期望輸出形狀為 (32, 10, 10)print("Batch labels shape:", data.y.shape)  # 期望輸出形狀為 (32, 10, 1)break  # 僅查看第一個批次的形狀

解釋

1. 導入庫：

   • 導入 torch、torch_geometric.data 中的 Data 和 torch_geometric.loader 中的 DenseDataLoader。

2. 定義 MyDenseDataset 類：

   • __init__ 方法初始化數據集參數，并創建鄰接矩陣。
   • create_adj_matrix 方法創建環形圖的鄰接矩陣。
   • __len__ 方法返回數據集的樣本數量。
   • __getitem__ 方法生成每個樣本的隨機節點特征和標簽，并返回節點特征矩陣、鄰接矩陣和標簽。

3. 創建數據集：

   • 使用 MyDenseDataset 類創建一個包含 100 個樣本的數據集，每個樣本包含 10 個節點，每個節點有 8 個特征。

4. 使用 DenseDataLoader：

   • 使用 DenseDataLoader 加載 dataset，設置批次大小為 32，并進行隨機打亂。
   • 在獲取一個批次的數據時，檢查 x、adj 和 y 的形狀，以確保其符合期望的三維形狀。

通過這個完整的示例代碼，你可以生成、封裝和加載稠密圖數據，并確保每個批次的數據形狀保持正確。這種方法適合處理節點數和邊數固定的圖數據，提高數據加載和處理的效率。

定義數據集類并使用 DenseDataLoader

import torch
from torch_geometric.data import Data
from torch_geometric.loader import DenseDataLoader  # 更新導入路徑class MyDenseDataset(torch.utils.data.Dataset):def __init__(self, num_samples, num_nodes, num_node_features):self.num_samples = num_samplesself.num_nodes = num_nodesself.num_node_features = num_node_featuresself.adj_matrix = self.create_adj_matrix(num_nodes)def create_adj_matrix(self, num_nodes):# 創建環形圖的鄰接矩陣adj_matrix = torch.zeros((num_nodes, num_nodes), dtype=torch.float)for i in range(num_nodes):adj_matrix[i, (i + 1) % num_nodes] = 1adj_matrix[(i + 1) % num_nodes, i] = 1print(adj_matrix)return adj_matrixdef __len__(self):return self.num_samplesdef __getitem__(self, idx):# 創建隨機特征和標簽x = torch.randn((self.num_nodes, self.num_node_features))y = torch.randn((self.num_nodes, 1))  # 每個節點一個標簽return Data(x, self.adj_matrix, y=y)# 創建數據集
num_samples = 100  # 樣本數
num_nodes = 10  # 每個圖中的節點數
num_node_features = 8  # 每個節點的特征數
dataset = MyDenseDataset(num_samples, num_nodes, num_node_features)# 使用 DenseDataLoader 加載數據
loader = DenseDataLoader(dataset, batch_size=32, shuffle=True)# 從 DenseDataLoader 中獲取一個批次的數據并查看其形狀
for data in loader:print("Batch node features shape:", data.x.shape)  # 期望輸出形狀為 (32, 10, 8)# print("Batch adjacency matrix shape:", data.adj.shape)  # 期望輸出形狀為 (32, 10, 10)print("Batch labels shape:", data.y.shape)  # 期望輸出形狀為 (32, 10, 1)break  # 僅查看第一個批次的形狀

使用 DataLoader

如果你使用的是 DataLoader，則數據應當是 torch_geometric.data.Data 對象，并將數據封裝在列表中：

import torch
from torch_geometric.data import Data
from torch_geometric.loader import DataLoader  # 更新導入路徑class MyDataset(torch.utils.data.Dataset):def __init__(self, num_samples, num_nodes, num_node_features):self.num_samples = num_samplesself.num_nodes = num_nodesself.num_node_features = num_node_featuresdef __len__(self):return self.num_samplesdef __getitem__(self, idx):x = torch.randn(self.num_nodes, self.num_node_features)edge_index = torch.tensor([[i, (i + 1) % self.num_nodes] for i in range(self.num_nodes)], dtype=torch.long).t().contiguous()y = torch.randn(self.num_nodes, 1)return Data(x=x, edge_index=edge_index, y=y)# 創建數據集
num_samples = 100  # 樣本數
num_nodes = 10  # 每個圖中的節點數
num_node_features = 8  # 每個節點的特征數
dataset = MyDataset(num_samples, num_nodes, num_node_features)# 使用 DataLoader 加載數據
loader = DataLoader(dataset, batch_size=32, shuffle=True)# 迭代加載數據
for batch in loader:print("Batch node features shape:", batch.x.shape)  # 期望輸出形狀為 (320, 8)print("Batch edge index shape:", batch.edge_index.shape)

總結

• DenseDataLoader：處理固定大小的鄰接矩陣和節點特征矩陣的數據，__getitem__ 返回Data（x, adj, y）。
• DataLoader：處理 torch_geometric.data.Data 對象，__getitem__ 返回一個 Data 對象。

確保數據格式與使用的加載器相匹配，以避免屬性錯誤和其他兼容性問題。