pyg 提供的现有模型

pyg（PyTorch Geometric）是一个用于图神经网络（Graph Neural Networks）的Python库。它提供了多种现有的图模型，用于处理图数据的任务，如节点分类、图分类、链接预测等。

在pyg中，主要提供了以下几种常用的图模型：

1. GCN（Graph Convolutional Networks）：这是一种基于图卷积的模型，用于节点分类任务。通过利用节点自身的特征及其邻居节点的信息，GCN可以学习到节点的表示，从而进行分类预测。

2. GAT（Graph Attention Networks）：这是一种基于图注意力机制的模型，用于节点分类任务。GAT可以通过学习到的节点权重来聚焦于那些与目标节点密切相关的邻居节点，从而更好地进行分类预测。

3. GraphSage（Graph Sample and Aggregated）：这是一种基于图采样和聚合的模型，用于节点分类、图分类等任务。通过在训练过程中随机采样邻居节点，并使用聚合函数将采样到的节点特征进行聚合，GraphSage可以学习到节点的表示。

4. GIN（Graph Isomorphism Network）：这是一种基于图同构的模型，用于节点分类、图分类等任务。GIN通过对节点的邻居节点特征进行汇聚，不考虑具体的图结构信息，从而学习到节点的表示。

此外，pyg还提供了其他一些图模型，如GraphCNN、ChebNet等，用于处理不同类型的图数据。

总之，pyg提供了多种现有的图模型，可以应用于不同的图数据任务。通过使用这些模型，可以更好地理解和分析图数据，并提取有用的特征来进行预测和分类。