Python如何创建1000个图的数据集并解决训练类型不匹配报错

错误原因 #

• 报错RuntimeError: expected scalar type Float but found Long的核心触发原因是：你生成的节点特征x、边属性edge_attr都指定为LongTensor整数类型，但PyTorch神经网络中的线性层参数默认是浮点类型，两类数据类型不匹配导致计算报错。
• 如果你当前做的是节点分类任务，标签y使用LongTensor类型是合理的，不需要调整。

修复后的1000个图数据集生成代码 #

import numpy as np
import torch
from torch_geometric.data import Data
from random import randint

data_list = []
ngraphs = 1000
for i in range(ngraphs):
      num_nodes = randint(10,500)
      num_edges = randint(10, num_nodes*(num_nodes - 1))
      f1 = np.random.randint(10, size=(num_nodes))
      f2 = np.random.randint(10,20, size=(num_nodes))
      f3 = np.random.randint(20,30, size=(num_nodes))
      f_final = np.stack((f1,f2,f3), axis=1)
      capital = 2*f1 + f2 - f3

      capital_t = torch.from_numpy(capital)
      # 分类任务标签保留LongTensor即可，回归任务可修改为FloatTensor
      capital_t = capital_t.type(torch.LongTensor)

      x = torch.from_numpy(f_final)
      # 节点特征修改为浮点类型，匹配网络参数类型
      x = x.type(torch.FloatTensor)

      edge_index = torch.randint(low=0, high=num_nodes, size=(num_edges,2), dtype=torch.long)
      edge_attr = torch.randint(low=0, high=50, size=(num_edges,1), dtype=torch.long)
      # 边属性修改为浮点类型，若你的GNN模型不需要用到边属性可跳过该修改
      edge_attr = edge_attr.type(torch.FloatTensor)

      data = Data(x = x, edge_index = edge_index.t().contiguous(), y = capital_t, edge_attr=edge_attr )
      data_list.append(data)

补充说明 #

• GPU训练时需要保证网络、输入特征、标签都在同一个设备上，可统一调用.to(device)处理。
• 如果是回归任务，将capital_t的类型也改为torch.FloatTensor即可。

内容的提问来源于stack exchange，提问作者riskiem