图卷积网络（GCN）与图注意力网络（GAT）基础实现及其应用

创作不易，您的打赏、关注、点赞、收藏和转发是我坚持下去的动力！

图卷积网络（Graph Convolutional Networks, GCN）是一种能够直接在图结构数据上进行操作的神经网络模型。它能够处理不规则的数据结构，捕获节点之间的依赖关系，广泛应用于社交网络分析、推荐系统、图像识别、化学分子分析等领域。

主流的图卷积网络包括以下几种：

1. 经典图卷积网络（GCN）

经典GCN使用图拉普拉斯算子将卷积操作推广到图数据中，具体而言，它通过对图的邻接矩阵进行归一化操作来进行信息传播。GCN的核心思想是通过卷积操作在每一层中聚合节点邻居的信息，最终对节点进行表示。

示例代码：

import torch
import torch.nn as nn
import torch.nn.functional as F
import networkx as nx
import numpy as np

class GCNLayer(nn.Module):
    def __init__(self, in_features, out_features):
        super(GCNLayer, self).__init__()
        self.weight = nn.Parameter(torch.FloatTensor(in_features, out_features))
        nn.init.xavier_uniform_(self.weight)

    def forward(self, X, adj):
        support = torch.mm(X, self.weight)
        output = torch.mm(adj, support)
        return output

class GCN(nn.Module):
    def __init__(self, in_features, hidden_features, out_features):
        super(GCN, self).__init__()
        self.layer1 = GCNLayer(in_features, hidden_features)
        self.layer2 = GCNLayer(hidden_features, out_features)

    def forward(self, X