广州制作外贸网站公司网络推广计划制定步骤

1 问题描述

最近在学习GNN，需要使用PyTorch Geometric（PyG）库。在安装PyG的过程中，遇到了torch-sparse安装失败的问题，错误提示为：

ERROR: Failed building wheel for torch-sparse

本文将详细记录问题的解决过程，并提供多种解决方案，帮助同样遇到问题的uu顺利安装PyG。

---

2 PyG安装流程

PyG的安装依赖于以下几个核心库：

• torch-scatter
• torch-sparse
• torch-cluster
• torch-spline-conv
• torch-geometric

通常的安装命令如下：

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.10.0+cpu.html
pip install torch-geometric

然而，在安装torch-sparse时，我这里遇到Failed building wheel for torch-sparse的错误。

---

3. 解决方案

3.1 检查PyTorch和CUDA版本

首先，确保你的PyTorch和CUDA版本与PyG兼容。可以通过以下命令查看PyTorch和CUDA版本：

import torch
print(torch.__version__)  
print(torch.version.cuda) 

3.2 手动指定版本安装

如果版本不匹配，可以手动指定torch-sparse的版本进行安装。以下是具体步骤：

1. PyG的官方Wheel文件页面：
   https://pytorch-geometric.com/whl/index.html
   顺便放一下官网链接：https://pytorch-geometric.readthedocs.io/en/latest/

2. 找到与你的PyTorch和CUDA版本匹配的torch-sparse版本。例如，我的PyTorch版本是2.4.1，CUDA版本是cu118，使用以下命令：

   pip install torch-sparse==0.6.18 -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   

3. 依次安装其他依赖库：

   pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-2.4.1+cu118.html
   pip install torch-geometric
   

3.3 直接下载Wheel文件安装

如果还是不行，可以直接从PyG的Wheel文件页面下载对应的.whl文件，然后使用pip安装。例如：

pip install torch_sparse-0.6.18-cp310-cp310-win_amd64.whl

3.4 安装构建工具

如果缺少构建工具，可以尝试安装以下工具：

• Windows：安装Visual Studio Build Tools
• Linux：安装cmake和g++：

  sudo apt-get install cmake g++
  

---

4 验证安装成功

安装完成后，可以通过以下一个小的demo来验证PyG是否安装成功：

import torch
from torch_geometric.data import Data# 创建图数据demo
edge_index = torch.tensor([[0, 1], [1, 2]], dtype=torch.long)
x = torch.tensor([[1], [2], [3]], dtype=torch.float)data = Data(x=x, edge_index=edge_index.t().contiguous())
print(data)

输出如下：

Data(x=[3, 1], edge_index=[2, 2])