graphsage pytorch训练完整代码

GraphSAGE（Graph Sample and Aggregated）是一种用于图神经网络的模型，可以对节点进行嵌入表示学习。下面是一个使用PyTorch实现GraphSAGE训练的完整代码：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.nn.parameter import Parameter
from torch_geometric.nn import SAGEConv

class GraphSAGE(nn.Module):
    def __init__(self, num_nodes, embed_dim, num_neighbors):
        super(GraphSAGE, self).__init__()
        self.conv1 = SAGEConv(embed_dim, embed_dim)
        self.conv2 = SAGEConv(embed_dim, embed_dim)
        self.fc = nn.Linear(embed_dim, num_nodes)
        self.num_neighbors = num_neighbors

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, p=0.5, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, p=0.5, training=self.training)
        x = self.fc(x)
        return F.log_softmax(x, dim=1)

# 设置超参数
num_nodes = 100
embed_dim = 16
num_neighbors = 5
lr = 0.01
num_epochs = 10

# 创建模型实例
model = GraphSAGE(num_nodes, embed_dim, num_neighbors)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=lr)

# 训练模型
for epoch in range(num_epochs):
    optimizer.zero_grad()
    output = model(x, edge_index)
    loss = criterion(output, y)
    loss.backward()
    optimizer.step()
    
    # 打印训练信息
    if (epoch+1) % 5 == 0:
        _, predicted = torch.max(output, 1)
        correct = (predicted == y).sum().item()
        accuracy = correct / len(y)
        print(f'Epoch {epoch+1}/{num_epochs}, Loss: {loss.item()}, Accuracy: {accuracy}')

上面代码中，首先我们定义了一个GraphSAGE模型类，它包含了两个SAGEConv层和一个线性层。在forward函数中，我们通过多次调用SAGEConv层来对节点进行嵌入表示学习，最后使用线性层对嵌入表示进行分类。

然后我们定义了超参数，包括节点数量、嵌入维度、邻居数量、学习率和训练轮数。

接下来创建了模型实例，并定义了损失函数和优化器。

在训练过程中，我们循环迭代多个epoch，每个epoch中进行前向传播、计算损失、反向传播和参数更新。在每个epoch的末尾，我们计算并打印损失和准确率。

以上就是使用PyTorch实现GraphSAGE训练的完整代码。请注意，上述代码假设已经准备好了节点特征x和边索引edge_index，以及对应的真实标签y。