怎么获取spGAT两层网络以后的特征向量，设置输出特征向量维度[100,200]，spGAT的__init__和forward代码表示

spGAT是基于图卷积网络（GCN）的模型，用于图节点分类和图节点嵌入等任务，包含多层GCN和注意力机制。以下是实现获取spGAT两层网络特征向量，设置输出特征向量维度[100,200]的代码：

import torch.nn as nn
import torch.nn.functional as F

class spGAT(nn.Module):
    def __init__(self, nfeat, nhid1, nhid2, nclass, dropout):
        super(spGAT, self).__init__()
        self.dropout = dropout

        self.gc1 = GraphConvolution(nfeat, nhid1)
        self.gc2 = GraphConvolution(nhid1, nhid2)
        self.fc = nn.Linear(nhid2, nclass)

    def forward(self, x, adj):
        x = F.dropout(x, self.dropout, training=self.training)
        x = F.relu(self.gc1(x, adj))
        x = F.dropout(x, self.dropout, training=self.training)
        x = F.relu(self.gc2(x, adj))
        x = F.dropout(x, self.dropout, training=self.training)
        x = self.fc(x)
        x = F.normalize(x, p=2, dim=1) # 对特征向量进行L2归一化
        x = F.interpolate(x, size=(100, 200), mode='nearest') # 输出特征向量维度[100,200]
        return x

在这里，我们定义了spGAT的初始化函数`__init__`，其中`nfeat`是输入特征的维度，`nhid1`和`nhid2`分别是第一层和第二层GCN的隐藏层维度，`nclass`是输出特征的维度，`dropout`是Dropout机制的概率。我们还定义了spGAT的前向传播函数`forward`，其中`x`是输入的特征向量，`adj`是输入的图邻接矩阵。在前向传播中，我们首先对输入特征向量进行Dropout操作，然后使用第一层GCN和ReLU激活函数进行特征提取，接着再进行一次Dropout操作，使用第二层GCN和ReLU激活函数进行特征提取，再进行一次Dropout操作，最后使用线性层进行输出特征向量的计算。在输出特征向量之前，我们还对其进行了L2归一化和插值操作，使其维度为[100,200]。