增加GCN图卷积层数的代码表示

下面是使用PyTorch实现增加GCN图卷积层数的示例代码：

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

class GCN(nn.Module):
    def __init__(self, num_features, hidden_size, num_classes, num_layers):
        super(GCN, self).__init__()
        
        self.num_layers = num_layers
        
        # 定义第一层图卷积
        self.conv1 = GCNConv(num_features, hidden_size)
        
        # 定义中间层图卷积
        self.convs = nn.ModuleList()
        for i in range(num_layers - 2):
            self.convs.append(GCNConv(hidden_size, hidden_size))
            
        # 定义最后一层图卷积
        self.conv2 = GCNConv(hidden_size, num_classes)
        
    def forward(self, x, edge_index):
        # 第一层图卷积
        x = F.relu(self.conv1(x, edge_index))
        
        # 中间层图卷积
        for i in range(self.num_layers - 2):
            x = F.relu(self.convs[i](x, edge_index))
            
        # 最后一层图卷积
        x = self.conv2(x, edge_index)
        
        return x

在这个示例中，我们通过构建一个GCN模型类来实现增加GCN图卷积层数的功能。在构造函数中，我们定义了GCN模型的层数，并使用循环语句构建了中间的多个图卷积层。在前向传播函数中，我们按照顺序对每个图卷积层进行计算，并使用ReLU作为激活函数。最后一层图卷积层的输出是模型的预测结果。