Cora数据集
PyG包含有大量的基准数据集。初始化数据集非常简单，数据集初始化会自动下载原始数据文件，并且会将它们处理成Data格式。
如下图所示，Cora数据集中只有一个图，该图包含2708个节点，10556条边，节点类别数为7，特征维度为1433。并且默认已经对数据集进行了划分，分为了训练集、验证集和测试集。
然后看看节点特征和标签。x为节点特征矩阵，维度为2708*1433。y为节点标签向量，维度为2708，类别为7。
用GCN进行半监督节点分类
接下来就可以构建一个简单的GCN模型，在Cora数据集上进行半监督节点分类。
下面的GCN模型包含两个图卷积层。第一层输入维度为1433（节点特征维度），输出为16（与第一层输出一致），后面接上一个relu激活函数，以及dropout操作。第二层输入维度为16，输出为7（节点标签数量），后接log_softmax函数进行分类。
模型构建完成后，指定训练设备为GPU（没有的话就用CPU），注意这里默认使用的是0号cuda。如果cuda:0被占用了的话会报错，需要指定其他号码的cuda才能运行。然后，分别将GCN模型以及Cora图数据送入指定的设备。
优化器选择Adam，学习率设置为0.01，权重衰减设置为5e-4。这些都配置好以后就可以训练模型了，epoch设为200，每个epoch后清除上次的梯度信息，然后用nll_loss计算出训练集上的损失，调用backward函数计算出梯度后传回给Adam优化器进行参数更新。
最后在测试集上评估模型，计算分类正确率accuracy并显示。
至此，就完成了Cora数据集上的节点分类任务了。