图神经网络：基础、图表示与Python实现

图神经网络（Graph Neural Network，简称GNN）是深度学习领域的一个重要分支，它主要用于处理图结构数据。在现实世界中，许多问题都可以用图结构表示，例如社交网络、化学分子结构、知识图谱等。图神经网络的目标是学习图中节点之间的内在关系，并对图中的节点进行分类或链接预测等任务。
一、图神经网络基础
图神经网络的基本构建块是图卷积（Graph Convolution）。在图卷积中，每个节点通过聚合其邻居的信息来更新其状态。这种聚合通常是通过求和、均值、标准差或其它聚合函数来实现的。然后，这些更新后的节点状态被传递到下一层，形成一个深度网络。
二、图的表示
在图神经网络中，图的表示至关重要。常见的图的表示方法有邻接矩阵和节点特征矩阵。邻接矩阵是一个二维矩阵，其中行表示节点，列表示边的方向，矩阵中的元素表示边的权重。节点特征矩阵是一个二维矩阵，其中行表示节点，列表示特征维度，矩阵中的元素表示节点的特征值。
三、Python实现
在Python中，可以使用PyTorch和DGL等库来实现图神经网络。PyTorch是一个流行的深度学习框架，而DGL（Deep Graph Library）是一个专门用于构建和训练图神经网络的库。
下面是一个使用PyTorch实现的简单的图神经网络的例子：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.nn import GCNConv