图神经网络GNN代码

当然可以！以下是一个简单的示例代码，展示了如何使用PyTorch Geometric库实现一个图神经网络（Graph Neural Network，GNN）模型：

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

# 加载数据集
dataset = Planetoid(root='data/Cora', name='Cora')
data = dataset[0]

class GNNModel(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(GNNModel, self).__init__()
        self.conv1 = GCNConv(input_dim, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, output_dim)
    
    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 配置模型和优化器
input_dim = dataset.num_features
hidden_dim = 16
output_dim = dataset.num_classes
model = GNNModel(input_dim, hidden_dim, output_dim)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# 训练模型
model.train()
for epoch in range(200):
    optimizer.zero_grad()
    out = model(data.x, data.edge_index)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()

# 测试模型
model.eval()
_, pred = model(data.x, data.edge_index).max(dim=1)
correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
acc = correct / int(data.test_mask.sum())
print(f'Test Accuracy: {acc:.4f}')

上述代码使用了PyTorch Geometric库来加载Cora数据集，并根据GCN（Graph Convolutional Network）模型的架构实现了GNN模型。模型的前向传播通过两个GCNConv层实现，使用ReLU作为激活函数，并使用log_softmax输出。然后使用Adam优化器进行训练，并使用负对数似然损失进行监督学习。最后，将模型切换到评估模式，计算测试集上的准确率。

请注意，这只是一个简单的示例，实际应用中可能需要根据需求进行调整和优化。你可以根据自己的数据集和任务来修改和扩展这个代码。希望对你有帮助！