写一个gcnn代码

这里是一个简单的 GCNN（Graph Convolutional Neural Network）的代码示例，可以用于节点分类任务：

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

class GraphConvolution(nn.Module):
    def __init__(self, in_features, out_features):
        super(GraphConvolution, self).__init__()
        self.weight = nn.Parameter(torch.FloatTensor(in_features, out_features))
        self.bias = nn.Parameter(torch.FloatTensor(out_features))

    def forward(self, input, adj):
        support = torch.mm(input, self.weight)
        output = torch.spmm(adj, support)
        output = output + self.bias
        return output

class GCN(nn.Module):
    def __init__(self, nfeat, nhid, nclass, dropout):
        super(GCN, self).__init__()
        self.gc1 = GraphConvolution(nfeat, nhid)
        self.gc2 = GraphConvolution(nhid, nclass)
        self.dropout = dropout

    def forward(self, x, adj):
        x = F.relu(self.gc1(x, adj))
        x = F.dropout(x, self.dropout, training=self.training)
        x = self.gc2(x, adj)
        return F.log_softmax(x, dim=1)

在这个 GCNN 模型中，`GraphConvolution` 是一个图卷积层，用于对输入节点特征进行卷积操作。`GCN` 是一个两层的 GCNN 模型，其中第一层的图卷积层输入节点特征，输出隐藏层特征；第二层的图卷积层输入隐藏层特征，输出节点类别的概率分布。在模型的前向传播过程中，使用了 ReLU 激活函数和 Dropout 正则化来提高模型的泛化能力。最后，通过对输出进行 softmax 归一化，得到每个节点属于每个类别的概率分布。