torch_geometric GCN

GCN (Graph Convolutional Networks) 是一种用于图数据的深度学习模型，而 torch_geometric 是一个基于 PyTorch 的图神经网络库，提供了实现 GCN 的工具和函数。

要使用 torch_geometric 实现 GCN，首先需要安装 torch_geometric 库。可以通过以下命令使用 pip 进行安装：

pip install torch_geometric

安装完成后，可以按照以下步骤实现 GCN：

1. 导入所需的库和模块：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

2. 创建 GCN 模型类：

class GCN(torch.nn.Module):
    def __init__(self, num_features, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_features, 16)  # 输入特征数为 num_features，输出特征数为 16
        self.conv2 = GCNConv(16, num_classes)  # 输入特征数为 16，输出特征数为 num_classes

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

3. 创建数据集和加载数据：

from torch_geometric.datasets import Planetoid

dataset = Planetoid(root='/tmp/Cora', name='Cora')
data = dataset[0]

4. 创建模型实例和优化器：

model = GCN(dataset.num_features, dataset.num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

5. 训练模型：

def train():
    model.train()
    optimizer.zero_grad()
    output = model(data.x, data.edge_index)
    loss = F.nll_loss(output[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()

for epoch in range(200):
    train()

这是一个简单的 GCN 实现示例，可以根据具体需求进行修改和扩展。