torch_geometric踩坑实战--安装与运行亲测有效！！

原创已于 2023-08-04 10:45:34 修改 · 1.8w 阅读

95 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #python

于 2023-05-01 15:09:34 首次发布

文章讲述了在安装和使用torch_geometric库时遇到的问题，包括依赖安装不全、版本不匹配导致的错误。作者通过卸载重装、手动下载特定版本的依赖库，并调整torch_geometric版本，最终成功运行代码。文中提供的解决步骤对遇到类似问题的开发者有参考价值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

torch_geometric是PyG中必不可少的一个包，也是进行图神经网络学习的必备，然而安装这个包并运行一段简单的代码踩了不少坑，记录一下。

1、安装torch_geometric

一开始，我直接pip

pip intsall torch_geometric

果然报错，提示没有torch_sparse

很显然是没有安装依赖，于是我去查需要哪些依赖

官网地址：Installation — pytorch_geometric documentation (pytorch-geometric.readthedocs.io)

按照官网给出的代码进行安装

pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-1.13.0+cpu.html

运行依旧没有成功...

于是手动下载

下载地址：https://data.pyg.org/whl/

另一个下载地址：pytorch-geometric.com/whl/torch-1.4.0.html

（1）卸载安装的相关包

pip uninstall torch-geometric torch-scatter torch-sparse torch-cluster torch-spline-conv

（2）选择适合自己的torch和cuda版本

（3）按照自己的python版本和操作系统下载

（4）进入conda激活虚拟环境，然后进入下载地址

这里注意需要进入D盘，cmd中进入D盘的命令为：

D:

然后cd进入包的下载页面，直接pip install

安装完所有的依赖后记得

pip install torch_geometric

2、运行代码

import torch_geometric

依旧报错：

Pytorch AttributeError: module 'torch' has no attribute 'sparse_scs'

这个就很让人费解，于是查看了一下

发现torch.sparse里面确实没有这个模块，那为什么会报错呢？查看一些帖子后发现报这种错一般是因为版本不对，于是，降低torch_geometric版本，果然成功！！

我的版本：

至此就安装成功啦！！

简单跑了个程序

import torch.nn.functional as F
class GCN(torch.nn.Module):
    def __init__(self, num_node_features, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_node_features, 16)
        self.conv2 = GCNConv(16, num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = F.softmax(x, dim=1)

        return x
model = GCN(dataset.num_node_features, dataset.num_classes)
print(model)

def train(model, data):
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=1e-4)
    loss_function = torch.nn.CrossEntropyLoss()
    model.train()
    for epoch in range(200):
        out = model(data)
        optimizer.zero_grad()
        loss = loss_function(out[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()

        print('Epoch {:03d} loss {:.4f}'.format(epoch, loss.item()))

train(model,data)

运行结果：