用Pytorch写SDNE代码，要求使用ARXIV GR-QC数据集，给出代码和注释即可，其他无需多言。

在开始之前，需要先导入所需的库和设置超参数：

import torch
import numpy as np
import networkx as nx

# 超参数设置
hidden_size = 32  # 隐藏层大小
learning_rate = 0.01  # 学习率
num_epochs = 10  # 训练轮数

接下来，我们需要加载GR-QC数据集。这可以通过使用networkx库的`read_edgelist`函数来完成。

# 加载GR-QC数据集
G = nx.read_edgelist('grqc.txt')

# 获取图中的节点数和边数
num_nodes = G.number_of_nodes()
num_edges = G.number_of_edges()

# 创建邻接矩阵
adj_matrix = nx.adjacency_matrix(G).todense()

接下来，我们需要定义SDNE模型的网络结构。这可以通过定义一个带有两个隐藏层的多层感知机来实现。

class SDNE(torch.nn.Module):
    def __init__(self, num_nodes, hidden_size):
        super(SDNE, self).__init__()
        self.encoder = torch.nn.Sequential(
            torch.nn.Linear(num_nodes, hidden_size),
            torch.nn.ReLU(),
            torch.nn.Linear(hidden_size, int(hidden_size / 2)),
            torch.nn.ReLU()
        )
        self.decoder = torch.nn.Sequential(
            torch.nn.Linear(int(hidden_size / 2), hidden_size),
            torch.nn.ReLU(),
            torch.nn.Linear(hidden_size, num_nodes),
            torch.nn.Sigmoid()
        )

    def forward(self, x):
        x = self.encoder(x)
        x = self.decoder(x)
        return x

接下来，我们可以定义损失函数和优化器。对于SDNE模型，我们通