gpu版本的GNN的demo

1、当涉及到在GPU上运行图神经网络（GNN）时，通常使用深度学习框架，如PyTorch或TensorFlow。在这里，我将为您提供一个使用PyTorch Geometric库实现GNN的简单示例。

首先，确保您已经安装了PyTorch和PyTorch Geometric。您可以使用以下命令安装它们：

pip install torch
pip install torch-geometric

2、使用以下代码作为GPU版本的GNN的简单示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torch_geometric.data import Data
from torch_geometric.nn import GCNConv
from torch_geometric.utils import to_networkx# 检查GPU是否可用
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 创建一个简单的图数据
edge_index = torch.tensor([[0, 1, 1, 2],[1, 0, 2, 1]], dtype=torch.long, device=device)
x = torch.tensor([[0], [1], [2]], dtype=torch.float, device=device)data = Data(x=x, edge_index=edge_index)# 定义一个简单的图卷积网络（GCN）模型
class GCN(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(GCN, self).__init__()self.conv1 = GCNConv(input_size, hidden_size)self.conv2 = GCNConv(hidden_size, output_size)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = torch.relu(x)x = self.conv2(x, edge_index)return x# 初始化模型、损失函数和优化器
model = GCN(input_size=1, hidden_size=16, output_size=1).to(device)
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)# 将数据移动到GPU
data = data.to(device)# 训练模型
for epoch in range(1000):model.train()optimizer.zero_grad()output = model(data)loss = criterion(output, data.x)loss.backward()optimizer.step()print(f'Epoch {epoch + 1}/{1000}, Loss: {loss.item():.4f}')# 在测试集上评估模型
model.eval()
with torch.no_grad():test_output = model(data)print("Test output:", test_output.cpu().numpy())