GNN 代码实现图编码，要求每个图（而不是节点）都有自己的标签，尽可能让编码向量可以表征对应标签信息

实现图编码需要用到图卷积网络（Graph Convolutional Network，GCN）来进行图的特征提取。而为了让编码向量可以表征对应标签信息，我们可以将每个图的标签信息作为输入特征，在GCN中进行处理。

具体来说，对于每个图，我们可以将其标签信息表示为一个向量，然后将该向量作为输入特征。在GCN的每一层中，我们可以将节点特征和边特征进行加权求和，得到新的节点特征。为了让编码向量更好地表征标签信息，我们可以在GCN的最后一层使用全局池化操作（如求平均）来将所有节点的特征进行聚合，得到一个图级别的编码向量。这个编码向量就可以很好地表征该图的标签信息。

以下是一个基于PyTorch实现的示例代码：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.nn import GCNConv, global_mean_pool

class GraphEncoder(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(GraphEncoder, self).__init__()
        self.conv1 = GCNConv(input_dim, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, output_dim)
        
    def forward(self, x, edge_index):
        # x: 节点特征矩阵 (num_nodes, input_dim)
        # edge_index: 边索引矩阵 (2, num_edges)
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        x = global_mean_pool(x, torch.zeros(x.shape[0], dtype=torch.long)) # 全局平均池化
        return x

在这个模型中，我们首先定义了两个GCN层，分别将输入特征从`input_dim`维度转换为`hidden_dim`维度，再从`hidden_dim`维度转换为`output_dim`维度。在每一层中，我们使用ReLU作为激活函数。

然后，在`forward()`函数中，我们将节点特征矩阵`x`和边索引矩阵`edge_index`作为输入，经过两个GCN层后得到节点级别的特征矩阵。最后，我们使用全局平均池化操作将所有节点的特征进行聚合，得到图级别的编码向量。