图神经网络的jupyter代码

在Python中使用Jupyter Notebook创建图神经网络（Graph Neural Networks, GNNs）通常涉及使用像PyTorch Geometric (PyG)或TensorFlow-GPU这样的库。以下是一个简短的例子，展示了如何用PyTorch Geometric构建一个基本的图卷积模型：

# 导入必要的库
import torch
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data

# 假设我们有一个边列表和节点特征
edge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]])  # 两个节点的邻接矩阵
x = torch.randn(3, 16)  # 三个节点的特征，形状为 (num_nodes, feature_dim)

# 创建Data对象
data = Data(x=x, edge_index=edge_index)

# 定义一个简单的GCN层
class GraphConv(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(GraphConv, self).__init__()
        self.conv = GCNConv(in_channels, out_channels)

    def forward(self, data):
        x = self.conv(data.x, data.edge_index)
        return x

# 使用定义的GCN层
model = GraphConv(x.size(1), 8)  # 输入通道数和输出通道数
out = model(data)  # 进行前向传播

在这个例子中，`GCNConv`是图卷积层的核心组件，`Data`类是处理图数据的基本结构。你可以根据需要添加更多的层、损失函数和优化器。