数据集有100行1035列，每一行有一个图数据，第一列为标签，剩下1034列为节点，每个节点包含一个特征。请帮我写出基于pytorch geometric实现以下功能代码：构造1034行1034列的邻接矩阵和1034行1列的特征矩阵，其中邻接矩阵可以利用KNN来构造节点之间的连接关系，邻居数量为8并且实现2个标签分类（图分类）。

以下是基于PyTorch Geometric实现构造邻接矩阵和特征矩阵的代码：

import torch
from torch_geometric.utils import from_scipy_sparse_matrix
from torch.nn import Sequential, Linear, ReLU
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from sklearn.neighbors import kneighbors_graph

# 构造图数据
data = torch.randn(100, 1035)
labels = data[:, 0]
features = data[:, 1:]

# 构造邻接矩阵
adj_matrix = kneighbors_graph(features, n_neighbors=8, mode='connectivity')
edge_index, _ = from_scipy_sparse_matrix(adj_matrix)

# 构造特征矩阵
feature_matrix = torch.from_numpy(features).float()

# 定义GCN网络
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(1034, 16)
        self.conv2 = GCNConv(16, 2)

    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)

# 训练模型
model = Net()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
for epoch in range(200):
    optimizer.zero_grad()
    out = model(feature_matrix, edge_index)
    loss = F.nll_loss(out[:50], labels[:50].long())
    loss.backward()
    optimizer.step()
    print('Epoch', epoch, 'Loss', loss.item())

# 预测结果
model.eval()
out = model(feature_matrix, edge_index)
predicted = out.argmax(dim=1)
print('Predicted labels:', predicted[:10])
print('True labels:', labels[:10])

说明：

1. 首先，我们从100行1035列的数据中分离出标签和特征；
2. 然后，通过`kneighbors_graph`函数构造1034行1034列的邻接矩阵，其中参数`n_neighbors=8`表示节点之间的最大邻居数量为8；
3. 接着，将邻接矩阵转换为PyTorch Geometric中的`edge_index`格式，并构造1034行1列的特征矩阵；
4. 然后，定义了一个包含两层GCN卷积层的网络结构，并使用Adam优化器进行训练；
5. 最后，我们对网络进行评估，并输出前10个预测标签和真实标签的比较结果。