用原论文方法和Pytorch写SDNE代码，回答代码块。

首先, SDNE (Structure Deep Network Embedding) 是一种用于将图中节点的结构信息映射到低维空间的方法。 它的基本思想是使用一个编码器将节点的特征信息编码为低维向量, 并使用解码器将这些向量解码为邻接矩阵的近似。

以下是使用 PyTorch 实现 SDNE 的示例代码:

import torch
import torch.nn as nn

class Encoder(nn.Module):
  def __init__(self, input_dim, hidden_dim, output_dim):
    super(Encoder, self).__init__()
    self.fc1 = nn.Linear(input_dim, hidden_dim)
    self.fc2 = nn.Linear(hidden_dim, output_dim)
    
  def forward(self, x):
    x = self.fc1(x)
    x = torch.relu(x)
    x = self.fc2(x)
    return x

class Decoder(nn.Module):
  def __init__(self, input_dim, hidden_dim, output_dim):
    super(Decoder, self).__init__()
    self.fc1 = nn.Linear(input_dim, hidden_dim)
    self.fc2 = nn.Linear(hidden_dim, output_dim)
    
  def forward(self, x):
    x = self.fc1(x)
    x = torch.relu(x)
    x = self.fc2(x)
    return x

class SDNE(nn.Module):
  def __init__(self, input_dim, hidden_dim, output_dim):
    super(SDNE, self).__init__()
    self.encoder = Encoder(input_dim, hidden_dim, output_dim)
    self.decoder = Decoder(output_dim, hidden_dim, input_dim)
    
  def forward(self, x):
    x = self.encoder(x)
    x = self.decoder(x)
    return x

# 定义输入数据
input_data = torch.randn(64, 100)

# 定义模型
model = SDNE(100, 128, 64)

# 计算输出
output = model(input_data)

print(output.shape)  # 输出: torch.Size([64, 100])

在这段代码中, 我们定义了三个 PyTorch