3 步跑通用 PyG 异构图给仓库到客户的运输成本算个明白账【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric这篇实战带你用 PyTorch GeometricPyG图神经网络库把供应商、仓库、客户、产品建成一张异构图对「仓库→客户」线路做供应链运输成本预测从建模、防泄漏采样到分布式上线的完整链路读完你能直接套到自己的物流网络上。1 异构图数据怎么建先想清楚单表为什么不够把供应商、仓库、客户、产品拆成几张 Excel 分别分析跨实体的传导就断了——供应商产能不足拖垮某个仓仓改走另一条运输线最终落到客户延期这条链在单表里根本看不见。图神经网络的价值就是让信息沿着关系走。你可以把HeteroData理解成一张「分线路的地铁图」节点和边都按类型分开存每条边用 2×E 的索引记录起点和终点。data HeteroData() data[supplier].x zscore(供应商特征) # 产能、区位、履约率 data[warehouse].x zscore(仓库特征) # 库容、周转天数、租金 data[customer].x zscore(客户特征) # 下单频次、账期、区域 data[supplier, supplies, warehouse].edge_index sup_wh_idx data[warehouse, transports, customer].edge_index wh_cust_idx节点特征从 ERP/WMS 取现成字段做 z-score 归一化个别纯关系型节点没有特征列用独热 ID 顶上去即可消息传递照样能跑。边类型不用穷举所有组合只留业务说得通的几条谁供谁、谁运给谁够了。仓库里 examples/hetero/hetero_link_pred.py 用「用户-评分-电影」演示了完全同构的写法把实体名一换就是你的供应链。2 边级回归模型怎么写误差怎么对账成钱预测目标是最常见的落地点——线路成本回归编码器把节点压成向量解码器取边两端点的向量拼起来过一个小 MLP 输出一个标量。关键在to_hetero你只管写一个同质 GNN它按data.metadata()自动展开成「每种边类型一套参数」的异构模型。为此SAGEConv的输入维度要写-1表示从数据推断这样展开时才不会对不上尺寸。class Encoder(torch.nn.Module): def __init__(self, h): super().__init__() self.conv1 SAGEConv((-1, -1), h) self.conv2 SAGEConv((-1, -1), h) def forward(self, x, edge_index): return self.conv2(self.conv1(x, edge_index).relu()) model torch.nn.Module() model.encoder to_hetero(Encoder(64), data.metadata(), aggrsum) model.decoder EdgeDecoder(64) # 拼接两端点向量 两层 MLP输出 1 维训练用 MSE 就行真正值钱的是评估口径。RMSE/MAE 算出来后直接对账测试集 MAE 若是每单 0.8 千元月单量 10 万模型平均偏差约 80 万元/月——拿这个数去对比现在拍脑袋固定报价的偏差模型省不下这个数就别上线。⚠️ 判断模型好坏只看 test splitval 的数字只用来早停别拿它汇报。数据切分用RandomLinkSplit回归任务没有正负样本之分neg_sampling_ratio0但rev_edge_types必须显式声明反向边类型让切分时同步处理这是后面要专门讲的坑。3 反向边泄漏怎么防、时序泄漏怎么断坑 1反向边泄漏。为了消息传递顺畅图通常补了反向边如「客户→仓库」。切分时只声明正向边反向边就原封不动留在训练图里测试边在结构上提前曝光。一行修复切分时把反向边类型一并交给RandomLinkSplit——train_data, val_data, test_data T.RandomLinkSplit( num_val0.1, num_test0.1, neg_sampling_ratio0.0, edge_types[(warehouse, transports, customer)], rev_edge_types[(customer, rev_transports, warehouse)], )(data)坑 2时序泄漏。运输关系每天在变上周才开的新线路不该出现在「预测这周」的训练里否则模型背的是答案。一行修复LinkNeighborLoader里把edge_label_time减 1配合temporal_strategylast每跳采样只取截断时刻之前的邻居——参考 examples/hetero/recommender_system.py 的做法loader LinkNeighborLoader( datadata, num_neighbors[5, 5], edge_label_index((warehouse, transports, customer), edge_index), edge_label_timeedge_time - 1, # 只采「预测时点」之前的历史边 time_attrtime, temporal_strategylast, batch_size256, )如果任务从回归换成链路预测预测哪对仓库-客户会新增往来评估口径换成torch_geometric.metrics的LinkPredPrecision/LinkPredRecallKPrecision10 回答「给每条线路推荐的 10 个候选合作方里平均几个真发生了往来」Recall 回答「真实新合作被推荐列表覆盖了多少」。此时记得在 loader 里加neg_samplingdict(modebinary, amount2)造负样本让模型学会区分真合作和随机配对。4 单机装不下时怎么办分布式采样 脚本化上线节点过百万、订单边动辄上亿时整图进不了单机内存。PyG 的torch_geometric/distributed/给的是两级方案离线切图Partitioner把节点、边、特征按分片落盘每个partN/下是graph.pt和node_feats.pt在线采样DistNeighborLoader绑定本分片本地邻居直读跨分片邻居走 RPC 向远端机器拉一跳。效果是采样开销从「全图」压到「本机分片 一跳远程」吞吐随机器数近似线性涨——对供应链这种边数远超单机的网络这步基本是必选项。部署走脚本化训练完torch.jit.script整体导出推理服务不再依赖 Python 训练环境做法可参考 examples/jit/gin.pyscripted torch.jit.script(model) torch.jit.save(scripted, supply_chain_model.pt) loaded torch.jit.load(supply_chain_model.pt) pred loaded(x_dict, edge_index_dict, edge_label_index)导出的是「编码器 解码器」整体输入仍是x_dict/edge_index_dict线上服务把特征拼好直接喂入。若线上只是特征更新了解码关系没变也可以只导编码器单独服务更新成本更低。5 三个问题收尾往哪扩展、损失怎么改、负样本比怎么定Q想同时预测成本、时效、断供概率要训练三个模型吗不用。同一套z_dict上挂多个小解码头即可编码器共享——图结构编码最贵三个头分摊一份编码而且任务间梯度互相约束节点表征比单任务更稳。QMSE 对大客户线路太「一视同仁」了怎么办把损失换成业务可解释的形态比如分段线性或按金额加权高客单线路每错一千元比小线路代价大得多权重跟着金额走模型会主动牺牲小单精度去压低大线路的偏差。Q负样本比例对 PrecisionK 影响大吗很大。neg_samplingdict(modebinary, amount2)是每条正样本配两条负样本比例决定模型学到的「随机配对有多常见」从而移动判定阈值。业务里真实合作稀疏负样本给少了 Precision 虚高给多了召回掉——用验证集扫一遍看 Precision/Recall 的平衡点定。【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考