在使用PyTorch Geometric加载Cora数据集时，训练、验证和测试集的大小可以通过掩码（mask）来确定。每个掩码是一个布尔张量，用于指示哪些节点属于训练集、验证集和测试集。通过计算这些掩码中为True的元素数量，我们可以确定每个数据集的大小。

示例代码

以下是如何计算训练、验证和测试集大小的示例代码：

import torch
from torch_geometric.datasets import Planetoid
from torch_geometric.transforms import NormalizeFeatures

# 加载Cora数据集
dataset = Planetoid(root='/tmp/Cora', name='Cora', transform=NormalizeFeatures())
data = dataset[0]

print(f"data.train_mask{data.train_mask}")
print(f"data.val_mask{data.val_mask}")
print(f"data.test_mask{data.test_mask}")

# 计算训练、验证和测试集的大小
num_train = data.train_mask.sum().item()
num_val = data.val_mask.sum().item()
num_test = data.test_mask.sum().item()

print(f'Number of training nodes: {num_train}')
print(f'Number of validation nodes: {num_val}')
print(f'Number of test nodes: {num_test}')

输出解释

1. data.train_mask：布尔张量，指示哪些节点用于训练。
2. data.val_mask：布尔张量，指示哪些节点用于验证。
3. data.test_mask：布尔张量，指示哪些节点用于测试。
4. sum()：计算布尔张量中为True的元素数量。
5. item()：将结果转换为Python标量。

通过这种方式，你可以轻松地计算出每个数据集的大小。

运行示例

假设你运行上述代码，输出可能类似于：

data.train_masktensor([ True,  True,  True,  ..., False, False, False])
data.val_masktensor([False, False, False,  ..., False, False, False])
data.test_masktensor([False, False, False,  ...,  True,  True,  True])
Number of training nodes: 140
Number of validation nodes: 500
Number of test nodes: 1000

这些数字是根据Cora数据集的默认分割方式得出的，表示该数据集使用140个节点进行训练，500个节点进行验证，以及1000个节点进行测试。