请帮我写出基于pytorch geometric GCN实现图分类的代码，每个图有一个标签0或1。

好的，下面是一个基于PyTorch Geometric实现图分类的代码，使用的是GCN模型。

首先，需要安装PyTorch Geometric：

pip install torch-scatter -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
pip install torch-sparse -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
pip install torch-cluster -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
pip install torch-spline-conv -f https://pytorch-geometric.com/whl/torch-1.7.0+${CUDA}.html
pip install torch-geometric

然后，导入必要的库：

import torch
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
import torch_geometric.transforms as T
from torch_geometric.nn import GCNConv
from torch_geometric.data import DataLoader

接着，定义数据集和数据转换：

dataset = Planetoid(root='data/Planetoid', name='Cora', transform=T.NormalizeFeatures())

这里使用了Planetoid数据集中的Cora数据集，该数据集包含2708个科学出版物的引用关系，每篇论文被分为7类之一，这里我们将其转化为二分类，即将每篇论文标记为1或0。

然后，定义GCN模型：

class GCN(torch.nn.Module):
    def __init__(self, num_features, hidden_size, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_features, hidden_size)
        self.conv2 = GCNConv(hidden_size, num_classes)

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

这里的GCN模型由两个GCNConv层组成，其中第一个层的输入维度为节点特征数，输出维度为隐藏层维度，第二个层的输入维度为隐藏层维度，输出维度为类别数。在每个层之间，使用ReLU激活函数和Dropout进行正则化，最后使用log_softmax作为输出。

接下来，定义训练函数：

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()

这里的训练函数接受一个GCN模型、一个优化器和一个数据集，将模型设置为训练模式，清空优化器的梯度，计算模型的输出和损失，然后进行反向传播和参数更新。

接着，定义测试函数和评估函数：

def test(model, data):
    model.eval()
    logits = model(data.x, data.edge_index)
    pred = logits.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

def evaluate(model, data, optimizer, num_epochs):
    for epoch in range(num_epochs):
        loss = train(model, optimizer, data)
        test_acc = test(model, data)
        print('Epoch [{}/{}], Loss: {:.4f}, Test Acc: {:.4f}'
              .format(epoch+1, num_epochs, loss, test_acc))

这里的测试函数将模型设置为评估模式，计算模型的输出和预测，然后计算测试准确率。评估函数接受一个GCN模型、一个数据集、一个优化器和一个训练周期数，循环训练模型并计算损失和测试准确率。

最后，加载数据集、创建模型、定义优化器并运行评估函数：

data = dataset[0]
model = GCN(data.num_features, 16, 2)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
evaluate(model, data, optimizer, num_epochs=200)

这里的GCN模型使用了16个隐藏节点，并使用Adam优化器进行优化，学习率为0.01，权重衰减为5e-4，训练周期数为200。

完整代码如下：