请你用messagepassing类复现GCNConv

MessagePassing是一种用于图神经网络（Graph Neural Networks, GNNs）的通用框架，它通过节点之间的信息传递来更新节点特征。GCNConv（Graph Convolutional Network Convolution）是其中一种基于消息传递的重要层，通常在深度学习中处理图形数据。

GCNConv的基本思想是将邻居节点的信息聚合到当前节点上，然后对节点特征进行线性变换。在MessagePassing类中复现GCNConv的一般步骤如下：

1. 初始化：创建MessagePassing类，包含输入特征矩阵`X`、邻接矩阵`A`以及必要的权重参数`W`。

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels, agg='mean', **kwargs):
        super(GCNConv, self).__init__(aggregation=agg, **kwargs)
        self.in_channels = in_channels
        self.out_channels = out_channels
        self.W = nn.Parameter(torch.Tensor(out_channels, in_channels))

2. 计算邻域信息：每个节点接收来自其邻居节点的信息。这一步通常包括加权和归一化。

    def forward(self, x, edge_index, edge_weight=None):
        # x.shape: [N, in_channels]
        # edge_index.shape: [2, E] (N表示节点数，E表示边的数量)
        
        if edge_weight is None:
            edge_weight = torch.ones(edge_index.size(1), dtype=x.dtype, device=x.device)

        # 邻居信息传递
        m = self.propagate(edge_index, x=x, edge_weight=edge_weight)
        m = torch.matmul(m, self.W)  # 线性变换

        return m

3. 节点信息传递函数（propagate）：在这个函数里，计算每个节点的聚合值，并根据预设的聚合策略（如平均`mean`或加权求和`add`）进行计算。

    def message(self, x_j, edge_weight):
        # 对邻居节点x_j应用加权操作
        return edge_weight.view(-1, 1) * x_j

    def aggregate(self, inputs, index, dim_size=None):
        return self.pool(inputs, index, dim_size)

    def pool(self, inputs, index, dim_size=None):
        # 根据预先设置的agg（聚合方式），如mean或sum
        if dim_size is None:
            dim_size = index.size(0)
        return self.send(index, inputs) if dim_size > 1 else inputs.mean(dim=0)