python 调用GCN

要调用GCN，你需要先安装相关的库，包括PyTorch和DGL（Deep Graph Library）。然后你可以使用PyTorch中的nn.Module类创建一个GCN模型，例如：

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

class GCN(nn.Module):
    def __init__(self, in_feats, hidden_size, num_classes):
        super(GCN, self).__init__()
        self.conv1 = dglnn.GraphConv(in_feats, hidden_size)
        self.conv2 = dglnn.GraphConv(hidden_size, num_classes)
        
    def forward(self, g, features):
        x = F.relu(self.conv1(g, features))
        x = self.conv2(g, x)
        return x

其中，in_feats是输入特征的维度，hidden_size是隐藏层的大小，num_classes是输出类别的数量。在forward方法中，我们使用了GraphConv来定义GCN的层，并使用ReLU作为激活函数。最后，我们返回输出的结果。

如果你有一个图数据集，你可以使用DGL中的GraphDataLoader方法将数据加载到模型中，例如：

from dgl.data import load_data

data = load_data('cora')
train_loader = dgl.dataloading.GraphDataLoader(
    data.train,
    batch_size=batch_size,
    shuffle=True,
    num_workers=num_workers
)

在这里，我们使用了cora数据集，并使用GraphDataLoader将训练数据加载到train_loader中。你可以使用相同的方法来加载测试数据。

最后，你可以使用PyTorch中的优化器（例如Adam）和损失函数（例如交叉熵）来训练模型，例如：

import torch.optim as optim

model = GCN(in_feats, hidden_size, num_classes)
optimizer = optim.Adam(model.parameters(), lr=lr)
criterion = nn.CrossEntropyLoss()

for epoch in range(num_epochs):
    for batched_graph, labels in train_loader:
        optimizer.zero_grad()
        logits = model(batched_graph, batched_graph.ndata['feat'])
        loss = criterion(logits, labels)
        loss.backward()
        optimizer.step()

在每个epoch中，我们使用train_loader加载一个批次的数据，并使用模型计算输出。然后我们计算损失并使用反向传播来更新模型的参数。

这只是一个简单的例子，你可以根据你的需求进行调整和修改。希望这可以帮助你开始使用GCN。