测试了下网上找的一篇代码，运行成功~

# import sys
# print(sys.path)import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.datasets import Planetoid# 加载并预处理Cora数据集
dataset_path = './dataset/cora'
dataset = Planetoid(root=dataset_path, name='Cora')
data = dataset[0]  # 取第一个图数据# 打印数据集信息以确认加载成功
print(f'Dataset: {dataset}')
print(f'Number of graphs: {len(dataset)}')
print(f'Number of features: {dataset.num_node_features}')
print(f'Number of classes: {dataset.num_classes}')
print(data)class GNN(torch.nn.Module):def __init__(self, num_features, num_classes):super(GNN, self).__init__()self.conv1 = GCNConv(num_features, 16)  # 第一个卷积层self.conv2 = GCNConv(16, num_classes)  # 第二个卷积层def forward(self, data):x, edge_index = data.x, data.edge_index  # 获取节点特征和边索引x = self.conv1(x, edge_index)  # 第一个卷积x = F.relu(x)  # 激活函数x = self.conv2(x, edge_index)  # 第二个卷积return F.log_softmax(x, dim=1)  # 返回经过softmax的输出model = GNN(num_features=dataset.num_node_features, num_classes=dataset.num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = torch.nn.CrossEntropyLoss()print(model)# 训练过程
model.train()
for epoch in range(200):optimizer.zero_grad()  # 清除之前的梯度out = model(data)  # 前向传播  data如何传递给forward函数的?loss = criterion(out[data.train_mask], data.y[data.train_mask])  # 计算损失loss.backward()  # 反向传播optimizer.step()  # 更新参数if epoch % 20 == 0:print(f'Epoch {epoch}, Loss: {loss.item()}')model.eval()
_, pred = model(data).max(dim=1)  # 获取预测结果
correct = pred[data.test_mask] == data.y[data.test_mask]  # 比较预测与真实标签
accuracy = int(correct.sum()) / int(data.test_mask.sum())  # 计算准确率
print(f'Test Accuracy: {accuracy:.4f}')

 遇到的问题：

1.python是脚本语言，没有编译过程，因此对齐要非常小心，创建model这一行干脆不要空格，否则class的结束部分会报错。

一般语句不需要缩进，顶行书写且不留空白。

当表示分支、循环、函数、类等含义，在if，while，for，def，class等保留字所在的完整语句后通过英文冒号（：）结尾，并在之后进行缩进，表示前后代码之间的从属关系

2.Plaintoid数据本地读取的问题，从github下载后放到/dataset/cora/raw下面，运行成功~

参考: 1 .GNNpython代码实现_mob649e816347dd的技术博客_51CTO博客

         2. https://zhuanlan.zhihu.com/p/452747749