GNN图级任务代码实现，多分类，使用随机生成的数据集进行训练、验证

下面是一个使用 PyTorch Geometric 库实现 GNN 图级任务的代码示例，包括数据集的随机生成、模型定义、训练和验证。

首先，我们需要安装 PyTorch Geometric 库：

pip install torch-geometric

然后，我们可以使用以下代码生成一个随机的图数据集：

import torch
from torch_geometric.data import Data

# 生成一个包含 10 个节点和 20 条边的随机图
x = torch.randn(10, 5)  # 节点特征
edge_index = torch.randint(0, 10, (2, 20))  # 边索引
y = torch.randint(0, 3, (1, 10)).squeeze()  # 图级标签
data = Data(x=x, edge_index=edge_index, y=y)

接下来，我们可以定义一个 GNN 模型，并在数据集上进行训练和验证。这里我们使用了一个简单的 GCN 模型：

import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class GCN(torch.nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(5, 16)
        self.conv2 = GCNConv(16, 3)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 创建模型和优化器
model = GCN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
model.train()
for epoch in range(100):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out, data.y)
    loss.backward()
    optimizer.step()

# 验证模型
model.eval()
with torch.no_grad():
    pred = model(data).argmax(dim=1)
    acc = (pred == data.y).sum().item() / len(data.y)
    print(f"Accuracy: {acc:.3f}")

这段代码将随机生成的图数据集输入到 GCN 模型中，并使用交叉熵损失进行训练。在训练结束后，我们使用 argmax 函数获取每个图的预测标签，并计算模型的准确率。

注意，这里的数据集只是一个示例，实际应用中需要根据具体需求生成更加真实的图数据集。