3. PyTorch与PyTorch Geometric环境搭建
3.1 为什么先搭环境？
做图神经网络，环境配置是第一道坎。我见过不少同学在Colab上跑通了教程，回到本地就是报错一堆。说白了，PyG（PyTorch Geometric）的安装路径和PyTorch版本、CUDA版本深度绑定。
我个人习惯是先装好PyTorch，再根据PyTorch版本选PyG。很多人一上来就pip install torch-geometric，结果依赖炸了。嗯，这里要注意顺序。
3.2 安装PyTorch
打开PyTorch官网，选你的系统、包管理器、CUDA版本。拿我常用的CUDA 11.8举例：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118验证一下：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"输出类似1.13.1 + True就对了。我曾经踩过坑——CUDA驱动和PyTorch CUDA版本不一致，导致PyG里的稀疏矩阵运算崩溃。所以建议先跑个简单的tensor加法到GPU上确认。
nvidia-smi。
3.3 安装PyTorch Geometric
PyG的核心包有四个：
| 包名 | 作用 | 依赖关系 |
|---|---|---|
| torch-scatter | 稀疏数据的scatter操作 | 必装 |
| torch-sparse | 稀疏矩阵运算 | 必装 |
| torch-cluster | 图聚类算法 | 可选，但推荐 |
| torch-geometric | 主库 | 依赖上面三个 |
安装命令（以CUDA 11.8、PyTorch 1.13.0为例）：
pip install torch-scatter torch-sparse torch-cluster torch-geometric -f https://data.pyg.org/whl/torch-1.13.0+cu118.html注意：那个-f后面的链接必须对应你的PyTorch版本和CUDA版本。我曾经因为版本号写错了，装成了CPU版本，跑图卷积的时候慢得离谱。
全部装好后，验证：
python -c "import torch_geometric; print(torch_geometric.__version__)"能打印版本号就成功了。
3.4 常用库简介
除了PyG，做图神经网络还会用到几个辅助库：
- NetworkX：纯Python的图数据结构，可视化方便，但不支持GPU，小图调试用。
- PyTorch：张量计算和自动求导，PyG的数据结构都建立在torch.Tensor之上。
- Matplotlib / Plotly：画图，用于可视化图和训练曲线。
- scikit-learn：评估指标、数据划分、PCA降维等。
我个人习惯是在一个虚拟环境里全装好，避免版本打架。
pip install networkx matplotlib scikit-learn3.5 第一个图数据加载与可视化
我们来动手加载一个经典图数据集——Cora。它包含2708篇论文，5429条引用关系，每篇论文有1433维特征向量，分7类。
代码示例：
from torch_geometric.datasets import Planetoid
import matplotlib.pyplot as plt
import networkx as nx
from torch_geometric.utils import to_networkx
# 加载Cora数据集
dataset = Planetoid(root='./data/Cora', name='Cora')
data = dataset[0]
print(f'节点数: {data.num_nodes}')
print(f'边数: {data.num_edges}')
print(f'特征维度: {data.num_node_features}')
print(f'类别数: {dataset.num_classes}')
# 转成NetworkX图方便可视化
G = to_networkx(data, to_undirected=True)
plt.figure(figsize=(10, 10))
nx.draw_spring(G, node_size=10, node_color=data.y.tolist(), cmap='tab10', alpha=0.8)
plt.title('Cora 图结构可视化')
plt.show()运行后你会看到一张论文引用关系图，颜色代表不同类别。我第一次跑出来的时候，感觉就是一团乱麻——但仔细观察，能发现同类论文倾向于聚在一起。这就是图结构中的同质性（homophily）。
nx.draw_spring的布局算法比较慢，大图建议用nx.draw_kamada_kawai。
3.6 理解PyG的数据结构
每个PyG的图数据对象是一个torch_geometric.data.Data实例，主要字段：
| 字段 | 类型 | 含义 |
|---|---|---|
| x | Tensor [N, F] | 节点特征矩阵 |
| edge_index | LongTensor [2, E] | 边索引，第一行源节点、第二行目标节点 |
| y | Tensor [N] 或 [N, C] | 节点标签（分类）或图标签 |
| edge_attr | Tensor [E, D] | 边的特征（可选） |
| train_mask / val_mask / test_mask | BoolTensor [N] | 训练/验证/测试集划分 |
你看，PyG把图存储为稀疏格式，edge_index是COO格式。我刚开始用的时候，总想把它转成邻接矩阵，后来发现COO在GPU上效率更高，尤其在消息传递里按边遍历。
3.7 本章核心流程概览
下面这张图总结了从零搭建环境到第一个图数据集加载的完整链路：
你看，整个流程不复杂。关键点是版本匹配和安装顺序。我曾经因为先装了PyG再装PyTorch，导致动态链接库找不到，折腾了两小时。所以记住：
- 先装PyTorch → 再装PyG组件 → 最后辅助库
- 每个步骤都验证一下
- CUDA版本对不上就老老实实用CPU版本先学
3.8 避坑小结
我自己遇到过的几个坑，你碰到了可以优先排查：
- PyG安装时提示“No matching distribution”——去看PyG官网的whl列表，确认你的PyTorch版本在支持列表里。
- 运行图卷积时报错“CUDA error: no kernel image available”——通常是PyTorch和PyG的CUDA编译版本不一致，建议重装两者并保持对齐。
- 可视化时图太大导致matplotlib卡死——减少节点数，或者用
nx.draw_spring之前先提取子图。
环境搭好后，你就可以放心地折腾各种图神经网络模型了。其实，环境配置本身也是一种能力——能让你更清楚框架的底层依赖关系。下次换版本的时候，心里就有数了。