Gnn python 简单用例

GNN（Graph Neural Networks）是一种深度学习模型，用于处理图数据，如社交网络、化学分子结构等。在Python中，最常使用的是开源库如PyTorch Geometric (PyG) 或 DGL(Directed Graph Library)。

简单来说，下面是一个使用PyTorch Geometric（简称PyG）创建并训练GNN模型的简单例子：

# 导入所需模块
import torch
from torch_geometric.nn import GCNConv

# 定义节点特征和边特征
num_nodes = 100
node_features = torch.randn(num_nodes, 16)
edge_index = torch.tensor([[0, 1], [1, 2]], dtype=torch.long)

# 创建图数据结构
data = Data(x=node_features, edge_index=edge_index)

# 定义GCN层
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(16, 8)

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

model = Net()

# 模型训练
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
for epoch in range(100):  # 迭代次数
    optimizer.zero_grad()
    out = model(data)  # 计算每个节点的分类概率
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新权重