### 基于 PyTorch 的 GNN 实现代码示例 以下是基于 PyTorch 和 `torch_geometric` 库实现的一个简单图卷积网络 (GCN) 的代码示例： ```python import torch from torch.nn import Linear from torch_geometric.datasets import Planetoid from torch_geometric.data import Data from torch_geometric.nn import GCNConv # 创建一个简单的图数据对象 edge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]], dtype=torch.long) x = torch.tensor([[-1], [0], [1]], dtype=torch.float) data = Data(x=x, edge_index=edge_index) # 定义 GCN 模型 class GCNModel(torch.nn.Module): def __init__(self, input_dim, output_dim): super(GCNModel, self).__init__() self.conv1 = GCNConv(input_dim, 4) # 第一层卷积层 self.conv2 = GCNConv(4, output_dim) # 第二层卷积层 def forward(self, data): x, edge_index = data.x, data.edge_index # 第一层卷积并激活 x = self.conv1(x, edge_index) x = torch.relu(x) # 第二层卷积 x = self.conv2(x, edge_index) return x # 初始化模型、损失函数和优化器 model = GCNModel(input_dim=1, output_dim=2) criterion = torch.nn.MSELoss() # 使用均方误差作为损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 训练过程 for epoch in range(200): model.train() optimizer.zero_grad() # 前向传播 out = model(data) # 构造假的目标张量用于训练 y_target = torch.tensor([[0, 1], [1, 0], [0, 1]], dtype=torch.float) # 计算损失 loss = criterion(out, y_target) loss.backward() optimizer.step() print("训练完成后的输出:") print(out.detach().numpy()) ``` 此代码展示了如何通过 PyTorch Geometric 来构建和训练一个基本的 GCN 模型。它定义了一个两层的 GCN 结构，并使用随机生成的数据进行了演示。 --- #### 关键点解释 - **Data 对象**: 在 PyTorch Geometric 中，`Data` 是用来存储图结构及其属性的主要类[^1]。 - **GCNConv 层**: 这是一个专门设计的图卷积操作模块，能够有效地提取节点之间的关系特征[^3]。 - **前向传播**: 输入经过两次卷积操作后被映射到目标维度，在每次卷积之后通常会加入非线性激活函数以增强表达能力[^2]。 --- ###