GNN代码实现，要求包括训练和测试过程

GNN（图神经网络）的代码实现可分为以下几个步骤：

1. 数据处理：将图数据转换为可以输入到神经网络中的张量形式。

2. 模型定义：定义图神经网络模型，包括节点嵌入、图卷积层、池化层等。

3. 损失函数定义：根据任务需求定义损失函数，如分类任务可选择交叉熵损失函数。

4. 优化器定义：选择合适的优化器，如Adam优化器。

5. 训练过程：使用训练数据进行模型训练，并在每个epoch结束后计算训练集和验证集上的损失和准确率。

6. 测试过程：使用测试数据评估模型性能，计算测试集上的损失和准确率。

下面是一个简单的GNN代码实现，使用的是PyTorch框架：

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F

class GCNLayer(nn.Module):
    def __init__(self, in_features, out_features):
        super(GCNLayer, self).__init__()
        self.linear = nn.Linear(in_features, out_features)

    def forward(self, x, adj):
        x = self.linear(x)
        x = torch.spmm(adj, x)
        x = F.relu(x)
        return x

class GCN(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(GCN, self).__init__()
        self.layer1 = GCNLayer(input_dim, hidden_dim)
        self.layer2 = GCNLayer(hidden_dim, output_dim)

    def forward(self, x, adj):
        x = self.layer1(x, adj)
        x = self.layer2(x, adj)
        return x

# 数据处理
adj = torch.tensor([[0, 1, 0], [1, 0, 1], [0, 1, 0]]) # 邻接矩阵
features = torch.tensor([[1, 0], [0, 1], [1, 1]]) # 节点特征矩阵
labels = torch.tensor([0, 1, 0]) # 节点标签

# 模型定义
gcn = GCN(input_dim=2, hidden_dim=16, output_dim=2)

# 损失函数定义
criterion = nn.CrossEntropyLoss()

# 优化器定义
optimizer = optim.Adam(gcn.parameters(), lr=0.01)

# 训练过程
epochs = 100
for epoch in range(epochs):
    optimizer.zero_grad()
    output = gcn(features, adj)
    loss = criterion(output, labels)
    loss.backward()
    optimizer.step()

    # 计算训练集和验证集上的损失和准确率
    with torch.no_grad():
        train_output = gcn(features, adj)
        train_loss = criterion(train_output, labels)
        train_acc = (train_output.argmax(dim=1) == labels).float().mean()

        val_output = gcn(features, adj)
        val_loss = criterion(val_output, labels)
        val_acc = (val_output.argmax(dim=1) == labels).float().mean()

        print('Epoch: {:03d}, Train Loss: {:.4f}, Train Acc: {:.4f}, Val Loss: {:.4f}, Val Acc: {:.4f}'.format(
            epoch, train_loss.item(), train_acc.item(), val_loss.item(), val_acc.item()))

# 测试过程
test_output = gcn(test_features, adj)
test_loss = criterion(test_output, test_labels)
test_acc = (test_output.argmax(dim=1) == test_labels).float().mean()
print('Test Loss: {:.4f}, Test Acc: {:.4f}'.format(test_loss.item(), test_acc.item()))

其中的GCNLayer定义了一个图卷积层，GCN定义了一个包含两个图卷积层的图神经网络模型。在训练过程中，使用Adam优化器进行模型优化，并使用CrossEntropyLoss作为损失函数。在每个epoch结束后，计算训练集和验证集上的损失和准确率。在测试过程中，评估模型性能并计算测试集上的损失和准确率。