PyG-使用networkx对Graph进行可视化

代码 方法一

根据networkx的文档: https://networkx.github.io/documentation/networkx-1.10/reference/generated/networkx.drawing.nx_pylab.draw_networkx.html

我们可以写出来一个非常简单的例子，如下(代码可以左右滑动):

import networkx as nx
import matplotlib.pyplot as plt
G = nx.Graph()
edge_index = [(1, 2), (1, 3), (2, 3), (3, 4)]
G.add_edges_from(edge_index)
nx.draw(G)
plt.show()

运行程序之后，可以得到下面的图，（偷了一个懒，没有加label之类的信息）

这个例子给我们的启发：我们可以将PyG得到的edge_index转成numpy的格式,然后传给nx,下面是根据这个写的一个函数： 在PyG中,边的表示放在了edge_index中，由一个二维的矩阵构成，edge_index[0]表示节点edge_index[1]表示另一个节点。

def draw(edge_index, name=None):
    G = nx.Graph(node_size=15, font_size=8)
    src = edge_index[0].cpu().numpy()
    dst = edge_index[1].cpu().numpy()
    edgelist = zip(src, dst)
    for i, j in edgelist:
        G.add_edge(i, j)
    plt.figure(figsize=(20, 14)) # 设置画布的大小
    nx.draw_networkx(G)
    plt.savefig('{}.png'.format(name if name else'path'))

注：该方法可以用于模型中的forward函数，用于分析cov,pool等操作

再写一个与上面思想一致，可以直接运行的一个例子

from torch_geometric.datasets import KarateClub
import networkx as nx
import matplotlib.pyplot as plt
dataset = KarateClub()
edge, x, y = dataset[0]
# edge, x, y 每个维度都为2，其中第一维度是name，第二个维度是data
# x表示的是结点，y表示的标签，edge表示的连边, 由两个维度的tensor构成
x_np = x[1].numpy()
y_np = y[1].numpy()
g = nx.Graph()
name, edgeinfo = edge
src = edgeinfo[0].numpy()
dst = edgeinfo[1].numpy()
edgelist = zip(src, dst)
for i, j in edgelist:
    g.add_edge(i, j)
nx.draw(g)
plt.savefig('test.png')
plt.show()

方法二

其实，torch_geometric.utils中已经带有to_networkx的函数可以直接将格式为torch_geometric.data.Data 的数据转换为networkx.DiGraph的格式，该格式可以直接networkx处理，但是我们提前要得到torch_geometric.data.Data的数据格式

import networkx as nx
from torch_geometric.utils.convert import to_networkx
def draw(Data):
    G = to_networkx(Data)
    nx.draw(G)
    plt.savefig("path.png")
    plt.show()

注：上面这个一般可以用于在model训练加载数据之前数据的分析，比如下面的例子

for i, data in enumerate(train_loader):
        draw(data）
        data = data.to(args.device)
        out = model(data)
        loss = F.nll_loss(out, data.y)
        print("Training loss:{}".format(loss.item()))
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

上面的函数是在graph classification进行分析的一段代码，可以把batch size的设置为1，那么for循环中得到就是一个graph的数据，在把数据feed给模型之前，我们可以通过该方法分析一下原始的数据是什么样子的。

参考

pyg手册

nx画图手册