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)

这段代码是一个简单的GCN模型的实现，包括两个GraphConvolution层和一个dropout层。输入包括节点特征x和邻接矩阵adj，输出是预测的节点标签的对数概率。第一层GraphConvolution将节点特征映射到一个隐藏层，第二层将隐藏层映射到类别数目的输出层。在每个GraphConvolution层后面都跟随了一个ReLU激活函数，dropout层可以在训练过程中防止过拟合。在整个网络的输出层，使用log_softmax函数进行输出。