pyg-analysis是pyg-gnns的脚本代码。

cfg_file                        // 配置文件
paper_exp1_super_parameters     // 模型超参数对性能的影响
paper_exp2_time_break           // 时间耗时分解分析
paper_exp3_memory               // 内存使用分析
paper_exp4_relative_sampling    // 采样对性能的影响
paper_exp5_inference_full       // 全数据训练的推理阶段的分析
paper_exp5_inference_sampling   // 分批训练的推理阶段的分析
tools                           // 辅助目录
citation_datasets.py            // 标准文件
stages_exp.py                   // 前向传播、后向传播与评估时期分析脚本
calculation_exp.py              // 边/点计算时期分析脚本
layers_exp.py                   // 分层分析脚本
layers_calculations_exp.py      // 分层计算分析脚本
edge_cal_exp.py                 // 边计算层次分析脚本
operators_exp.py                // 基础算子耗时分析脚本
pygs_utils.py                   // 辅助文件
citation_datasets.py            // 数据集文件
datasets.py                     // 同上
pics_xxx: 绘图脚本

这里统一采用pip安装方式：

1. 安装anaconda（官方文档），创建新的环境conda create -n optimize-pygs python==3.7.7，并激活conda activate optimize-pygs
2. 安装PyTorch1.5.0, 官方文档, 执行命令pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html
3. 安装PyTorchGeomtric1.5.0, 官方文档, PyG1.5.0+cu101。

   pip install tools/torch_cluster-1.5.4-cp37-cp37m-linux_x86_64.whl
   pip install tools/torch_scatter-2.0.4-cp37-cp37m-linux_x86_64.whl
   pip install tools/torch_sparse-0.6.4-cp37-cp37m-linux_x86_64.whl
   pip install tools/torch_spline_conv-1.2.0-cp37-cp37m-linux_x86_64.whl
   pip install torch-geometric==1.5.0
   

4. 安装其他软件，pip install -r requirements.txt
5. 设置目录，将neuroc_pygs/文件中设置dataset_root="xxx/mydata", PROJECT_PATH="xxx/neuroc_pygs"（即neuroc_pygs目录的绝对位置）。并执行python setup.py install --user保存修改。

这里统一采用pip安装方式：

1. 安装anaconda（官方文档），创建新的环境conda create -n optimize-pygs python==3.7.7，并激活conda activate optimize-pygs
2. 安装PyTorch1.5.0, 官方文档, 执行命令pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html
3. 安装PyTorchGeomtric1.5.0, 官方文档, PyG1.5.0+cu101。

   pip install tools/torch_cluster-1.5.4-cp37-cp37m-linux_x86_64.whl
   pip install tools/torch_scatter-2.0.4-cp37-cp37m-linux_x86_64.whl
   pip install tools/torch_sparse-0.6.4-cp37-cp37m-linux_x86_64.whl
   pip install tools/torch_spline_conv-1.2.0-cp37-cp37m-linux_x86_64.whl
   pip install torch-geometric==1.5.0
   

• 硬件环境
  • 2 × NVIDIA Tesla T4 GPU( 16GB)
  • CentOS 7 server, 40 cores, 90GB
• 软件环境：
  • Python3.7.7
  • PyTorch1.5.0
  • CUDA10.1
  • PyTorchGeometric1.5.0

1. 激活环境conda activate optimize-pygs
2. 运行python main.py

按照边/点计算复杂度划分GNN算法，并选取了典型算法。

1. 边低点低, GCN
2. 边低点高, GGNN
3. 边高点低, GAT
4. 边高点高, GaAN

数据集位置: /mnt/data/wangzhaokang/wangyunpan/datasets

dataset格式(N为边数, F为特征数， C为类别数）

• adj_full.npz: a sparse matrix in csr format, ['indptr', 'indices', 'data', 'shape'], N * N
• feats.npy: a numpy array, N * F
• role.json: a dictionary of three keys. Key 'tr' corresponds to the list of all training node indices. Key va corresponds to the list of all validation node indices. Key te corresponds to the list of all test node indices. Note that in the raw data, nodes may have string-type ID. You would need to re-assign numerical ID (0 to N-1) to the nodes, so that you can index into the matrices of adj, features and class labels.
• class_map.json:a dictionary of length N. Each key is a node index, and each value is either a length C binary list (for multi-class classification) or an integer scalar (0 to C-1, for single-class classification)