pytorch GCN自己写

好的，PyTorch实现GCN的步骤如下：

1. 定义GCN模型的基本要素：节点嵌入表征、邻接矩阵和权重矩阵。

2. 定义GCN模型，包括两个核心操作：卷积层和激活函数。

3. 定义损失函数和优化器。

4. 训练模型。

下面是一个简单的GCN模型实现：

import torch
import torch.nn as nn
import torch.nn.functional as F

class GCN(nn.Module):
    def __init__(self, nfeat, nhid, nclass):
        super(GCN, self).__init__()

        self.gc1 = GraphConvolution(nfeat, nhid)
        self.gc2 = GraphConvolution(nhid, nclass)

    def forward(self, x, adj):
        x = F.relu(self.gc1(x, adj))
        x = self.gc2(x, adj)
        return F.log_softmax(x, dim=1)

class GraphConvolution(nn.Module):
    def __init__(self, in_features, out_features):
        super(GraphConvolution, self).__init__()
        self.weight = nn.Parameter(torch.FloatTensor(in_features, out_features))
        self.bias = nn.Parameter(torch.FloatTensor(out_features))

    def forward(self, input, adj):
        support = torch.mm(input, self.weight)
        output = torch.spmm(adj, support)
        return output + self.bias

其中，GraphConvolution类实现了GCN中的卷积操作。在卷积操作中，我们需要利用节点嵌入表征和邻接矩阵来计算每个节点的输出，在上面的代码中，我们使用了稀疏矩阵乘法来实现这个操作。

GCN类则是整个模型的定义，其中包括两个GraphConvolution层和一个softmax层。在forward函数中，我们首先使用第一个GraphConvolution层对节点嵌入表征进行卷积操作，然后使用ReLU激活函数对输出进行非线性变换。最后，我们再次使用GraphConvolution层对输出进行卷积操作，得到最终的输出。最后，我们使用log_softmax函数对输出进行归一化处理，得到每个节点属于每个类别的概率。