4. 环境搭建与工具链

本章是反欺诈 GraphSAGE 实战的基石。我们将从零搭建一套完整的深度学习开发环境，涵盖 Python 基础环境、PyTorch 框架、图神经网络专用库 PyG 与 DGL，以及 GPU/CUDA 加速验证。请严格按照以下步骤操作，避免版本冲突。

4.1 环境总览与版本对照

在开始安装前，先明确各组件之间的版本依赖关系。下表列出了经过验证的稳定组合，适用于反欺诈 GraphSAGE 阈值分层试验。

4.2 Python 环境配置（Anaconda）

Anaconda 是数据科学领域最流行的 Python 发行版，内置 conda 包管理器，可以轻松创建隔离的虚拟环境，避免不同项目间的依赖冲突。

4.2.1 安装 Anaconda

1. 访问 Anaconda 官网（https://www.anaconda.com/download）下载对应操作系统的安装包（Windows / macOS / Linux）。
2. 运行安装程序，务必勾选 "Add Anaconda to my PATH environment variable"（Windows 用户建议勾选，但注意可能与其他 Python 冲突）。
3. 安装完成后，打开终端（或 Anaconda Prompt），输入 conda --version 验证安装。

4.2.2 创建专用虚拟环境

为反欺诈项目创建一个独立的 Python 3.10 环境，命名为 fraud_gnn：

# 创建环境
conda create -n fraud_gnn python=3.10 -y

# 激活环境
conda activate fraud_gnn

# 验证 Python 版本
python --version
# 输出应为：Python 3.10.x

4.3 PyTorch 安装

PyTorch 是整个图神经网络训练的核心框架。安装时需根据 CUDA 版本选择对应的安装命令。

4.3.1 确认 CUDA 版本

在终端执行以下命令，查看显卡驱动支持的 CUDA 版本：

# Windows
nvidia-smi

# Linux / macOS
nvidia-smi

在输出信息的右上角可以看到 CUDA Version: 11.8 或 12.1 等字样。如果未安装 NVIDIA 驱动或显示 NVIDIA-SMI has failed，请先安装显卡驱动。

4.3.2 安装 PyTorch

根据 CUDA 版本，从 PyTorch 官网（https://pytorch.org/get-started/locally/）获取安装命令。以下为常见组合：

# CUDA 11.8 + PyTorch 2.1.0
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

# CUDA 12.1 + PyTorch 2.2.0
pip install torch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 --index-url https://download.pytorch.org/whl/cu121

# CPU only（无 GPU 时使用）
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cpu

4.3.3 验证 PyTorch 安装

python -c "import torch; print('PyTorch 版本:', torch.__version__); print('CUDA 可用:', torch.cuda.is_available())"

如果输出 CUDA 可用: True，说明 PyTorch 已成功识别 GPU。

4.4 PyTorch Geometric（PyG）安装

PyG 是 PyTorch 生态中最流行的图神经网络扩展库，提供了 GraphSAGE、GCN、GAT 等核心算子。

4.4.1 安装依赖库

PyG 依赖一些底层库，建议先通过 conda 安装：

conda install -y pyg pytorch-scatter pytorch-sparse pytorch-cluster pytorch-spline-conv -c pyg

4.4.2 安装 PyG 核心库

pip install torch_geometric

4.4.3 验证 PyG 安装

python -c "
import torch_geometric
print('PyG 版本:', torch_geometric.__version__)
from torch_geometric.nn import SAGEConv
print('GraphSAGE 卷积层导入成功:', SAGEConv)
"

4.5 DGL 安装

DGL（Deep Graph Library）是另一个主流的图神经网络框架，在某些场景下（如大规模异构图）性能优于 PyG。本课程将同时使用 PyG 和 DGL，以便对比实验。

4.5.1 安装 DGL

# CUDA 11.8
pip install dgl -f https://data.dgl.ai/wheels/cu118/repo.html

# CUDA 12.1
pip install dgl -f https://data.dgl.ai/wheels/cu121/repo.html

# CPU only
pip install dgl

4.5.2 验证 DGL 安装

python -c "
import dgl
print('DGL 版本:', dgl.__version__)
print('DGL CUDA 可用:', dgl.backend.backend_name)
"

4.6 GPU/CUDA 环境验证

完成所有安装后，执行以下综合验证脚本，确保整个工具链正常工作。

python -c "
import torch
import torch_geometric
import dgl

print('='*50)
print('环境验证报告')
print('='*50)

# 1. PyTorch 验证
print(f'PyTorch 版本: {torch.__version__}')
print(f'CUDA 可用: {torch.cuda.is_available()}')
if torch.cuda.is_available():
    print(f'GPU 数量: {torch.cuda.device_count()}')
    print(f'当前 GPU: {torch.cuda.get_device_name(0)}')
    print(f'CUDA 版本: {torch.version.cuda}')

# 2. PyG 验证
print(f'PyG 版本: {torch_geometric.__version__}')
from torch_geometric.nn import SAGEConv
model = SAGEConv(in_channels=16, out_channels=32)
print(f'GraphSAGE 层参数: {model}')

# 3. DGL 验证
print(f'DGL 版本: {dgl.__version__}')
print(f'DGL 后端: {dgl.backend.backend_name}')

# 4. 简单张量测试
x = torch.randn(4, 16).cuda()
print(f'GPU 张量测试通过: {x.shape}')
print('='*50)
print('✅ 所有组件安装成功，环境就绪！')
"

4.7 工具链架构总览

下图展示了反欺诈 GraphSAGE 试验的完整工具链架构，从底层硬件到上层应用的分层关系。

4.8 常见问题与避坑指南