Pytorch 1.6.0搭建

### 配置 PyTorch 环境于 PyCharm #### 使用 Conda Environment 方式配置 当在 PyCharm 中通过 `Conda Environment` 的方式来设置已存在的环境而未发现 Python 时，应当定位到 Anaconda 安装目录下的 envs 文件夹内寻找已经安装的 PyTorch 包位置，并选取对应的 Python 版本完成配置[^1]。 对于希望利用 Anaconda 来管理依赖项并创建特定版本 PyTorch 所需虚拟环境的情况，在 PyCharm 中可以指定该由 Anaconda 构建出来的环境作为项目解释器的一部分。这通常涉及到先借助命令行工具如 `conda create` 建立新的环境，并按照官方指南或社区经验确保 PyTorch 及其相关组件被正确加载至其中[^2]。 #### 处理终端无法启动的问题 有时可能会遇到 PyCharm 内嵌 Terminal 报错提示 "can't open local terminal" ，此时可尝试调整 IDE 设置中的终端选项为 Windows 自带的 `cmd.exe` 。操作完成后重启应用程序使更改生效；之后便能顺利激活所需的 conda 虚拟环境（例如名为 `pytorch1.6.0`），从而支持后续开发工作[^3]。 #### 添加已有解释器 假设先前已经在外部完成了基于 Anaconda 或其他途径搭建好的 PyTorch 开发环境，则可以在 PyCharm 中选择 “Add Interpreter”，并通过浏览文件系统的方式指向那个预先准备好的 Python 解释器路径来进行关联。这样做的好处是可以快速复用现有的配置而不必重复构建相同的软件栈[^4]。 ```python import torch print(torch.__version__) ```

### PyTorch Geometric 库使用指南 #### 1. 环境准备 为了顺利运行 `pytorch_geometric`，需先确认已安装合适的 Python 和 CUDA 版本。对于特定版本组合下的依赖包安装命令如下所示： 针对 PyTorch 1.6.0 及 CUDA 10.2 的环境设置指令为[^3]： ```bash pip install torch-scatter==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html pip install torch-sparse==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html pip install torch-cluster==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html pip install torch-spline-conv==latest+cu102 -f https://pytorch-geometric.com/whl/torch-1.6.0.html pip install torch-geometric ``` 而对于仅需要 CPU 支持的情况，则可以采用以下方式来完成安装操作[^4]: ```bash pip3.8 install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.9.0+cpu.html ``` #### 2. 基础概念理解 `pytorch_geometric` 是一个专门用于处理图结构数据的深度学习框架扩展库，支持多种类型的图形神经网络模型构建与训练。该库提供了丰富的工具集帮助开发者轻松定义节点特征矩阵、边索引列表以及执行消息传递机制等核心功能。 #### 3. 实际应用案例展示 下面给出一段简单的代码片段作为入门示例，展示了如何创建并训练一个基于 GCN (Graph Convolutional Networks) 架构的小型分类器: ```python import torch from torch.nn import Linear from torch_geometric.datasets import Planetoid from torch_geometric.loader import DataLoader from torch_geometric.nn import GCNConv class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = GCNConv(dataset.num_node_features, 16) self.conv2 = GCNConv(16, dataset.num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = torch.relu(x) x = torch.dropout(x, training=self.training) x = self.conv2(x, edge_index) return torch.log_softmax(x, dim=1) dataset = Planetoid(root='/tmp/Cora', name='Cora') loader = DataLoader(dataset, batch_size=len(dataset), shuffle=True) device = 'cuda' if torch.cuda.is_available() else 'cpu' model = Net().to(device) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) for epoch in range(200): model.train() optimizer.zero_grad() out = model(next(iter(loader)).to(device)) loss = torch.nn.functional.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() ``` 这段程序首先加载了一个名为 Cora 的学术论文引用关系网数据集，并以此为基础搭建了一套两层卷积层组成的简单GCN架构来进行节点类别预测任务的学习过程模拟。