基于图坍缩的图多分类代码实现，要求使用自己随机生成的数据集进行训练和预测

图坍缩是一种图神经网络中常用的技术，用于减少图的规模和提高模型的计算效率。本文将介绍如何使用PyTorch实现基于图坍缩的图多分类模型，并使用随机生成的数据集进行训练和预测。

首先，我们需要安装PyTorch和DGL库。可以使用以下命令进行安装：

pip install torch dgl

接下来，我们可以使用以下代码创建一个随机的图数据集：

import dgl
import numpy as np

# 生成10个节点和15条边的图
g = dgl.rand_graph(10, 15)

# 为每个节点随机生成一个特征向量
feat = np.random.rand(10, 5)

# 为每条边随机生成一个特征向量
e_feat = np.random.rand(15, 3)

# 将特征向量添加到图中
g.ndata['feat'] = feat
g.edata['e_feat'] = e_feat

# 随机给每个节点分配一个标签
labels = np.random.randint(0, 3, size=(10,))
g.ndata['label'] = labels

接下来，我们可以使用以下代码定义一个基于图坍缩的多层感知机模型：

import torch
import torch.nn as nn
import dgl.function as fn

class GraphSAGE(nn.Module):
    def __init__(self, in_feats, h_feats, num_classes):
        super(GraphSAGE, self).__init__()
        self.conv1 = dgl.nn.SAGEConv(in_feats, h_feats, 'mean')
        self.conv2 = dgl.nn.SAGEConv(h_feats, num_classes, 'mean')

    def forward(self, g, in_feat):
        h = self.conv1(g, in_feat)
        h = torch.relu(h)
        h = self.conv2(g, h)
        g.ndata['h'] = h
        hg = dgl.mean_nodes(g, 'h')
        return hg

我们可以使用以下代码训练模型：

# 定义超参数
in_feats = 5
h_feats = 10
num_classes = 3
lr = 0.01
num_epochs = 20

# 创建模型和优化器
model = GraphSAGE(in_feats, h_feats, num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=lr)

# 训练模型
for epoch in range(num_epochs):
    logits = model(g, g.ndata['feat'])
    labels = g.ndata['label']
    loss = nn.CrossEntropyLoss()(logits, labels)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))

最后，我们可以使用以下代码进行预测：

# 预测
model.eval()
with torch.no_grad():
    logits = model(g, g.ndata['feat'])
    pred = logits.argmax(1)
    print('Predicted labels:', pred)

这样，我们就完成了一个基于图坍缩的多分类模型的训练和预测过程。