GCN，我希望输入是一张图，这张图包括若干节点和边，这个图整体有一个标签。给出代码示例

以下是使用PyTorch Geometric实现GCN进行图分类的示例代码：

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

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

# 定义GCN模型
class GCN(torch.nn.Module):
    def __init__(self, hidden_channels):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, dataset.num_classes)

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

# 初始化模型和优化器
model = GCN(hidden_channels=16)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# 训练过程
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()
    print('Epoch {:03d}, Training Loss: {:.4f}'.format(epoch, loss.item()))

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

在这个示例代码中，我们使用了Cora数据集，该数据集包括2708个科学出版物的引用关系图，每个节点都代表了一个出版物，并且每个节点都有1433个特征，表示出版物的词袋向量。标签是出版物所属的一个类别。

在模型中，我们使用了两个GCN层进行特征提取和分类，其中第一层的输入特征数为1433（与数据集中每个节点的特征数相同），输出特征数为16，第二层的输入特征数为16，输出特征数为数据集中的类别数（在Cora数据集中为7）。在训练过程中，我们使用交叉熵损失函数和Adam优化器进行模型训练。最终，在测试集上我们得到了一个准确率为0.815的结果。