有没有代码参考

以下是一个使用PyTorch实现的GCN模型示例，包括了如何提取GCN卷积层的输出作为节点的特征向量：

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

class GCN(nn.Module):
    def __init__(self, num_features, hidden_size, num_classes):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(num_features, hidden_size)
        self.conv2 = GCNConv(hidden_size, num_classes)

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

# 训练模型
model = GCN(num_features=1433, hidden_size=16, num_classes=7)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

def train():
    model.train()
    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()

# 提取GCN卷积层的输出作为节点的特征向量
model.eval()
out = model(data.x, data.edge_index)
hidden = model.conv1(data.x, data.edge_index)

在这个示例中，GCN模型包括了两个GCN卷积层，通过调用`model.conv1`可以提取第一个GCN卷积层的输出作为节点的特征向量。在模型训练时，使用了交叉熵损失函数和Adam优化器进行训练。