GraphSAGE代码实现多分类任务，要求包括训练和测试

GraphSAGE是一种用于图神经网络的算法，可以用于图分类任务。下面是一个使用PyTorch实现的GraphSAGE多分类任务的示例代码，包括训练和测试。

首先，我们需要定义一个GraphSAGE模型。以下是一个简单的GraphSAGE模型的实现：

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

class GraphSAGE(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(GraphSAGE, self).__init__()
        self.conv1 = SAGEConv(in_channels, hidden_channels)
        self.conv2 = SAGEConv(hidden_channels, out_channels)

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

接下来，我们需要定义训练和测试函数。以下是一个训练和测试函数的示例代码：

def train(model, optimizer, data):
    model.train()
    optimizer.zero_grad()
    out = model(data.x, data.edge_index)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()
    return loss.item()

def test(model, data):
    model.eval()
    out = model(data.x, data.edge_index)
    pred = out.argmax(dim=1)
    test_correct = pred[data.test_mask] == data.y[data.test_mask]
    test_acc = int(test_correct.sum()) / int(data.test_mask.sum())
    return test_acc

在训练和测试函数中，我们首先将模型设置为训练模式或评估模式，然后计算输出并计算损失或准确率，最后返回损失或准确率。

接下来，我们需要加载数据并训练模型。以下是一个示例代码：

import torch_geometric.datasets as datasets
from torch_geometric.data import DataLoader

dataset = datasets.Planetoid(root='/tmp/Cora', name='Cora')
data = dataset[0]

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GraphSAGE(dataset.num_features, 16, dataset.num_classes).to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

data = data.to(device)
for epoch in range(1, 201):
    loss = train(model, optimizer, data)
    test_acc = test(model, data)
    print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Test Acc: {test_acc:.4f}')

在这个示例代码中，我们首先加载Cora数据集并定义一个GraphSAGE模型。然后，我们将数据和模型移动到GPU（如果可用）。接下来，我们循环200个epoch，在每个epoch中训练模型并计算测试准确率。最后，我们输出损失和测试准确率。

请注意，这只是一个示例代码，您可能需要根据自己的数据集和任务对其进行修改。