GNN 代码实现图编码，要求每个图都有自己的标签，尽可能让编码向量可以表征对应标签信息

在 GNN 中，我们可以使用图卷积网络（Graph Convolutional Network，GCN）对图进行编码。对于每个节点，我们可以使用其自身的特征，如节点的度、邻居节点的特征等，来计算该节点的向量表示。然后，我们可以将所有节点的向量表示进行汇总，得到整个图的向量表示。

为了让编码向量可以表征对应标签信息，我们可以将标签信息也作为节点的特征之一，并参与到节点向量的计算中。具体地，我们可以将每个节点的特征表示扩展为包含标签信息的向量，然后在 GCN 中采用类似于传统卷积神经网络中的卷积操作，将节点特征进行更新。

在代码实现中，我们可以使用 PyTorch Geometric 库来实现 GCN。下面是一个简单的示例代码，其中包含了如何将标签信息加入节点特征中，以及如何使用 GCN 对图进行编码：

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

class GCNEncoder(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(GCNEncoder, self).__init__()
        self.conv1 = GCNConv(input_dim + 1, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, output_dim)

    def forward(self, x, edge_index, labels):
        # 将标签信息加入节点特征中
        labels = labels.unsqueeze(1).float()
        x = torch.cat([x, labels], dim=1)

        # GCN 层计算
        x = self.conv1(x, edge_index)
        x = nn.ReLU()(x)
        x = self.conv2(x, edge_index)
        x = nn.ReLU()(x)

        # 汇总所有节点的向量表示
        x = x.mean(dim=0)

        return x

在上述代码中，`input_dim` 表示节点特征的维度，`hidden_dim` 和 `output_dim` 分别表示 GCN 中间层和输出层的维度。在 `forward` 方法中，我们首先将标签信息加入节点特征中，并采用 `GCNConv` 计算节点特征的更新。然后，我们对所有节点的向量表示进行求和并取平均值，得到整个图的向量表示。