关于人工智能:使用-Transformers-进行图分类

在之前的 博文 中，咱们探讨了图机器学习的一些理论知识。这一篇咱们将摸索如何应用 Transformers 库进行图分类。(你也能够从 此处 下载演示 notebook，跟着一起做！)

目前，Transformers 中惟一可用的图 transformer 模型是微软的 Graphormer，因而本文的例子将会基于该模型。咱们期待看到大家会应用并集成哪些其余模型进 🤗。

软件

要学习本教程，须要装置 datasets 和 transformers (版本号 >= 4.27.2)，你能够应用 pip install -U datasets transformers 来装置。

数据

你能够应用本人的图数据集，也能够应用 Hub 上已有的数据集。本文咱们次要应用已有的数据集，你也能够随时 增加你的数据集 到 Hugging Face！

数据加载

从 Hub 加载图数据集非常简单。这里，咱们加载 OGB 库中的 ogbg-mohiv 数据集 (该数据集是斯坦福 凋谢图基准 (Open Graph Benchmark，OGB) 的一部分):

from datasets import load_dataset

# There is only one split on the hub
dataset = load_dataset("OGB/ogbg-molhiv")

dataset = dataset.shuffle(seed=0)

这个数据集含三个拆分，train、validation 和 test，所有这些拆分每一行都示意一个图，每个图蕴含 5 个数据列 (edge_index、edge_attr、y、num_nodes、node_feat)，你能够通过执行 print(dataset) 来查看。

如果你还装置了其余图解决库，你还能够用这些库把图可视化进去，并进一步检查数据集。例如，应用 PyGeometric 和 matplotlib:

import networkx as nx
import matplotlib.pyplot as plt

# We want to plot the first train graph
graph = dataset["train"][0]

edges = graph["edge_index"]
num_edges = len(edges[0])
num_nodes = graph["num_nodes"]

# Conversion to networkx format
G = nx.Graph()
G.add_nodes_from(range(num_nodes))
G.add_edges_from([(edges[0][i], edges[1][i]) for i in range(num_edges)])

# Plot
nx.draw(G)

格局

在 Hub 上，图数据集次要存储为图列表模式 (应用 jsonl 格局)。

单个图示意为一个字典，以下是咱们图分类数据集的现实格局:

• edge_index 蕴含图上每条边对应的节点 ID，存储为蕴含两个 节点列表 的列表 (即由一个源节点列表和一个目标节点列表组成的列表)。

  • 类型: 2 个整数列表的列表。
  • 示例: 蕴含四个节点 (0、1、2 和 3) 且连贯为 1->2、1->3 和 3->1 的图将具备 edge_index = [[1, 1, 3]、[2、3、1]]。你可能会留神到此处不存在节点 0，因为在本数据中它与其余节点无际连贯。这就是下一个属性很重要的起因。

• num_nodes 示意图中可用节点的数目 (默认状况下，假设节点按程序编号)。

  • 类型: 整数
  • 示例: 在上例中，num_nodes = 4。

• y 每个图的预测标签 (能够是类、属性值或是不同工作的多个二分类标签)。

  • Type: 整数列表 (用于多分类)、浮点数 (用于回归) 或 0/1 列表 (用于二元多任务分类)
  • 示例: 咱们能够预测图规模 (小 = 0，中 = 1，大 = 2)。本例中，y = [0]。

• node_feat 蕴含图中每个节点的可用特色 (如果存在)，按节点 ID 排序。

  • 类型: 整数列表的列表 (可选)
  • 例子: 如上例中的节点能够有一些类型特色 (就像分子图中的节点是不同的原子，不同的原子有不同的类型一样)。打比方，本例中 node_feat = [[1], [0], [1], [1]]。

• edge_attr 蕴含图中每条边的可用属性 (如果存在)，按 edge_index 排序。

  • 类型: 整数列表的列表 (可选)
  • 例子: 仍应用上例，边也能够有类型 (如分子中的键)，如 edge_attr = [[0], [1], [1]]`。

预处理

图 transformer 框架通常须要依据数据集进行特定的预处理，以生成有助于指标学习工作 (在咱们的案例中为分类) 的特色和属性。
在这里，咱们应用 Graphormer 的默认预处理，它生成进度 / 出度信息、节点间的最短门路以及模型感兴趣的其余属性。

from transformers.models.graphormer.collating_graphormer import preprocess_item, GraphormerDataCollator

dataset_processed = dataset.map(preprocess_item, batched=False)

咱们也能够在 DataCollator 的参数中动静进行预处理 (通过将 on_the_fly_processing 设置为 True)。但并非所有数据集都像 ogbg-molhiv 那样小，对于大图，动静预处理老本太高，因而须要事后进行预处理，并存储预处理后的数据供后续训练试验应用。

模型

模型加载

这里，咱们加载一个已有的预训练模型及其 checkpoint 并在咱们的上游工作上对其进行微调，该工作是一个二分类工作 (因而 num_classes = 2)。咱们还能够在回归工作 (num_classes = 1) 或多任务分类上微调咱们的模型。

from transformers import GraphormerForGraphClassification

model = GraphormerForGraphClassification.from_pretrained(
    "clefourrier/pcqm4mv2_graphormer_base",
    num_classes=2, # num_classes for the downstream task
    ignore_mismatched_sizes=True,
)

咱们来看下细节。

在代码中调用 from_pretrained 办法来下载并缓存模型权重。因为类的数量 (用于预测) 取决于数据集，咱们将新的 num_classes 和 ignore_mismatched_sizes 与 model_checkpoint 一起传给该函数。这会触发函数创立一个自定义的、特定于该上游工作的分类头，这个头与原模型中的解码器头很可能是不同的。

咱们也能够创立一个新的随机初始化的模型来从头开始训练，此时，咱们既能够复用给定检查点的超参配置，也能够本人手动抉择超参配置。

训练或微调

为了简化模型训练，咱们应用 Trainer。咱们须要定义训练相干的配置以及评估指标来实例化 Trainer。咱们次要应用 TrainingArguments类，这是一个蕴含所有配置项的类，用于定制训练配置。咱们要给它一个文件夹名称，用于保留模型的 checkpoint。

from transformers import TrainingArguments, Trainer

training_args = TrainingArguments(
    "graph-classification",
    logging_dir="graph-classification",
    per_device_train_batch_size=64,
    per_device_eval_batch_size=64,
    auto_find_batch_size=True, # batch size can be changed automatically to prevent OOMs
    gradient_accumulation_steps=10,
    dataloader_num_workers=4, #1,
    num_train_epochs=20,
    evaluation_strategy="epoch",
    logging_strategy="epoch",
    push_to_hub=False,
)

对于图数据集，调整 batch size 和梯度累积步数来保障无效 batch size 够大同时又要防止内存不足，这件事尤为重要。

最初一个参数 push_to_hub 容许 Trainer 在训练期间定期将模型推送到 Hub，这个通常由保留步长来决定。

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=dataset_processed["train"],
    eval_dataset=dataset_processed["validation"],
    data_collator=GraphormerDataCollator(),)

在用于图分类的 Trainer 中，对给定的图数据集应用正确的数据整顿器 (data collator) 很重要，这个数据整顿器会将图转换为用于训练的 batch 数据。

train_results = trainer.train()
trainer.push_to_hub()

训练完后，能够应用 push_to_hub 将模型与所有其余训练相干信息一起保留到 hub。

因为此模型比拟大，因而在 CPU (Intel Core i7) 上训练 / 微调 20 个 epoch 大概须要一天工夫。想要更快点的话，你能够应用弱小的 GPU 和并行化办法，你只需在 Colab notebook 中或间接在你抉择的其余集群上启动代码即可。

结束语

当初你曾经晓得如何应用 transformers 来训练图分类模型，咱们心愿你尝试在 Hub 上分享你最喜爱的图 transformer 模型的 checkpoints、模型以及数据集，以供社区的其他人应用！

英文原文: <url>https://hf.co/blog/graphml-classification</url>

作者: Clém
译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的利用及大规模模型的训练推理。

排版 / 审校: zhongdongy (阿东)