使用torch实现图卷积神经网络

以下是使用torch实现图卷积神经网络的示例代码：

import torch
import torch.nn.functional as F
from torch.nn import Linear

class GCN(torch.nn.Module):
    def __init__(self, in_dim, hid_dim, out_dim):
        super(GCN, self).__init__()
        self.lin1 = Linear(in_dim, hid_dim)
        self.lin2 = Linear(hid_dim, out_dim)

    def forward(self, x, adj):
        x = F.relu(self.lin1(x))
        x = torch.matmul(adj, x)
        x = self.lin2(x)
        return x

在此示例中，我们定义了一个名为GCN的类，该类继承自torch.nn.Module。GCN类具有三个属性：

- in_dim：输入特征的维度。
- hid_dim：隐藏特征的维度。
- out_dim：输出特征的维度。

GCN类还有一个forward()方法，用于执行前向传递。在前向传递中，我们首先使用线性层lin1将输入特征x映射到隐藏特征h。然后，我们使用邻接矩阵adj对隐藏特征进行卷积操作。在本例中，我们使用torch.matmul()函数对邻接矩阵和隐藏特征进行矩阵乘法运算。最后，我们使用线性层lin2将卷积后的特征映射到输出特征。

下面是使用GCN类的示例代码：

import torch
from GCN import GCN

# 创建模型
model = GCN(in_dim=10, hid_dim=16, out_dim=2)

# 创建输入特征和邻接矩阵
x = torch.randn(5, 10)
adj = torch.randn(5, 5)

# 执行前向传递
output = model(x, adj)

# 打印输出特征
print(output)

在此示例中，我们首先导入GCN类。然后，我们创建一个名为model的GCN对象，其输入特征维度为10，隐藏特征维度为16，输出特征维度为2。接下来，我们创建输入特征x和邻接矩阵adj，并将它们传递给模型的forward()方法。最后，我们打印输出特征。