在之前的 博文 中，我们探讨了图机器学习的一些理论知识。这一篇我们将探索如何使用 Transformers 库进行图分类。(你也可以从 此处 下载演示 notebook，跟着一起做！)
目前，Transformers 中唯一可用的图 transformer 模型是微软的 Graphormer，因此本文的例子将会基于该模型。我们期待看到大家会使用并集成哪些其他模型进 
。
软件
要学习本教程，需要安装 datasets 和 transformers (版本号 >= 4.27.2)，你可以使用 pip install -U datasets transformers 来安装。
数据
你可以使用自己的图数据集，也可以使用 Hub 上已有的数据集。本文我们主要使用已有的数据集，你也可以随时 添加你的数据集 到 Hugging Face！
数据加载
从 Hub 加载图数据集非常简单。这里，我们加载 OGB 库中的 ogbg-mohiv 数据集 (该数据集是斯坦福 开放图基准 (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表示一个图，每个图包含 5 个数据列 (edge_index、edge_attr、y、num_nodes、node_feat)，你可以通过执行 print(dataset) 来查看。
如果你还安装了其他图处理库，你还可以用这些库把图可视化出来，并进一步检查数据集。例如，使用 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)
格式
在 Hub 上，图数据集主要存储为图列表形式 (使用 jsonl 格式)。
单个图表示为一个字典，以下是我们图分类数据集的理想格式:
-
edge_index包含图上每条边对应的节点 ID，存储为包含两个节点列表的列表 (即由一个源节点列表和一个目的节点列表组成的列表)。- 类型: 2 个整数列表的列表。
- 示例: 包含四个节点 (0、1、2 和 3) 且连接为 1->2、1->3 和 3->1 的图将具有
edge_index = [[1, 1, 3]、[2、3、1]]。你可能会注意到此处不存在节点 0，因为在本数据中它与其他节点无边连接。这就是下一个属性很重要的原因。
-
num_nodes表示图中可用节点的数目 (默认情况下，假定节点按顺序编号)。- 类型: 整数
- 示例: 在上例中，
num_nodes = 4。
-
y每个图的预测标签 (可以是类、属性值或是不同任务的多个二分类标签)。- 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: 我们可以预测图规模 (小 = 0，中 = 1，大 = 2)。本例中，
y = [0]。
-
node_feat包含图中每个节点的可用特征 (如果存在)，按节点 ID 排序。- 类型: 整数列表的列表 (可选)
- 例子: 如上例中的节点可以有一些类型特征 (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包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: 仍使用上例，边也可以有类型 (如分子中的键)，如 edge_attr = [[0], [1], [1]]`。
预处理
图 transformer 框架通常需要根据数据集进行特定的预处理，以生成有助于目标学习任务 (在我们的案例中为分类) 的特征和属性。
在这里，我们使用 Graphormer 的默认预处理，它生成进度/出度信息、节点间的最短路径以及模型感兴趣的其他属性。
from transformers.models.graphormer.collating_graphormer import preprocess_item, GraphormerDataCollator
dataset_processed = dataset.map(preprocess_item, batched=False)
我们也可以在 DataCollator 的参数中动态进行预处理 (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，动态预处理成本太高，因此需要预先进行预处理，并存储预处理后的数据供后续训练实验使用。
模型
模型加载
这里，我们加载一个已有的预训练模型及其 checkpoint 并在我们的下游任务上对其进行微调，该任务是一个二分类任务 (因此 num_classes = 2)。我们还可以在回归任务 (num_classes = 1) 或多任务分类上微调我们的模型。
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,
)
我们来看下细节。
在代码中调用 from_pretrained 方法来下载并缓存模型权重。由于类的数量 (用于预测) 取决于数据集，我们将新的 num_classes 和 ignore_mismatched_sizes 与 model_checkpoint 一起传给该函数。这会触发函数创建一个自定义的、特定于该下游任务的分类头，这个头与原模型中的解码器头很可能是不同的。
我们也可以创建一个新的随机初始化的模型来从头开始训练，此时，我们既可以复用给定检查点的超参配置，也可以自己手动选择超参配置。
训练或微调
为了简化模型训练，我们使用 Trainer。我们需要定义训练相关的配置以及评估指标来实例化 Trainer。我们主要使用 TrainingArguments类，这是一个包含所有配置项的类，用于定制训练配置。我们要给它一个文件夹名称，用于保存模型的 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证有效 batch size 够大同时又要避免内存不足，这件事尤为重要。
最后一个参数 push_to_hub 允许 Trainer 在训练期间定期将模型推送到 Hub，这个通常由保存步长来决定。
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，对给定的图数据集使用正确的数据整理器 (data collator) 很重要，这个数据整理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，可以使用 push_to_hub 将模型与所有其他训练相关信息一起保存到 hub。
由于此模型比较大，因此在 CPU (Intel Core i7) 上训练/微调 20 个 epoch 大约需要一天时间。想要更快点的话，你可以使用强大的 GPU 和并行化方法，你只需在 Colab notebook 中或直接在你选择的其他集群上启动代码即可。
结束语
现在你已经知道如何使用 transformers 来训练图分类模型，我们希望你尝试在 Hub 上分享你最喜欢的图 transformer 模型的 checkpoints、模型以及数据集，以供社区的其他人使用！
英文原文: Graph Classification with Transformers
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应用及大规模模型的训练推理。排版/审校: zhongdongy (阿东)