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

PyG-使用networkx对Graph进行可视化相关推荐

PyG ENZYMES蛋白质分子图数据集可视化教程
ENZYMES数据集是在GNN领域是非常经典的数据集,它是一个根据生物分子蛋白质结构而构建的Graph数据集合,总共600个图,也就是对应600个样本(蛋白质分子) ,共有六种结构这个数据集是一个用 ...
networkx关于Graph的各种操作
networkx关于Graph的各种操作 Graph DiGraph MultiGraph https://blog.csdn.net/moodytong/article/details/749152 ...
【Pytorch神经网络理论篇】 27 图神经网络DGL库：简介+安装+卸载+数据集+PYG库+NetWorkx库
DGL库是由纽约大学和亚马逊联手推出的图神经网络框架,支持对异构图的处理,开源相关异构图神经网络的代码,在GCMC.RGCN等业内知名的模型实现上也取得了很好的效果. 1 DGL库 1.1 DGL库的 ...
【零代码工具推荐】Max Creation Graph (MCG) 可视化图形编程工具
从3dMax 2016开始新加入了一个很牛great的功能,也就是"MCG"全称是Max Creation Graph,MCG可以让用户使用全可视化节点工作流程来创建修改器,几何体 ...
python使用Networkx生成人物关系可视化详解
一,先说实现的思路 1,将文本中出现的重要人物名字放入列表中:也可以使用自然语言处理工具将词性标记为'nr'的词语放入列表中,但一则费时费力二则准确性太差.所以,简单粗暴但高效的做法是直接从搜索引擎中 ...
为什么要进行图学习？谈一谈逆势而上的图神经网络
点击上方蓝字关注我们问一问近几年来逆势而上的技术有什么?相信你一定会说出来一个:图神经网络. 图神经网络将会在人工智能的各个领域起着非常重要的作用,虽然目前还没有完全成为各大顶会的焦点,但不可否认 ...
PyG Cora图数据集可视化教程
Cora数据集是在GNN领域是非常经典的数据集,它是一个根据科学论文之间相互引用关系而构建的Graph数据集合,论文分为 7类,共2708篇. Genetic_Algorithms Neural_Ne ...
技术实践 | 用 NetworkX + Gephi + Nebula Graph 分析权力的游戏人物关系（上篇）
本文转载自公众号:Nebula Graph Community . 我们都知道<权利的游戏>在全世界都很多忠实的粉丝,除去你永远不知道剧情下一秒谁会挂这种意外"惊喜", ...
gephi生成网络关系图_用 NetworkX + Gephi + Nebula Graph 分析lt;权力的游戏gt;人物关系（上）
我们都知道<权利的游戏>在全世界都很多忠实的粉丝,除去你永远不知道剧情下一秒谁会挂这种意外"惊喜",当中复杂交错的人物关系也是它火爆的原因之一,而本文介绍如何通过 Ne ...

PyG-使用networkx对Graph进行可视化

代码

方法一

方法二

参考

PyG-使用networkx对Graph进行可视化相关推荐

最新文章

热门文章