应直接使用 torch_geometric 的 gcnconv 层，它已内置数值稳定、可微、稀疏优化的归一化与聚合；手动用 numpy 构造邻接矩阵易致崩溃、内存溢出、无梯度；输入须为 edge_index（2×e 的 long 张量）和 x（n×f 的 float 张量），且需设备一致、索引合法、维度对齐。
直接用 torch_geometric，别自己手写归一化邻接矩阵或手动实现聚合逻辑 —— 它已封装好数值稳定、可梯度回传的 GCNConv 层，且默认处理自环和对称归一化。
为什么不用自己实现邻接矩阵预处理
自己用 NumPy 构造 A_hat、算 D_sqrt_inv 再做 @ 运算，看似可控，实则容易出错：
• np.linalg.inv(D) 在度为 0 的孤立节点上会报 LinAlgError
• 稀疏图转稠密矩阵后内存爆炸（比如 10 万节点 → 十亿级元素）
• PyTorch 不支持对 NumPy 归一化矩阵做自动求导，训练会断
• GCNConv 内部用稀疏张量 + SparseMM，实际运行更快更省内存
GCNConv 的输入格式必须是 edge_index，不是邻接矩阵
PyG 不接受 torch.Tensor 形状为 (n, n) 的邻接矩阵。你得把图结构转成 COO 格式的边索引：
• edge_index 是 shape 为 (2, num_edges) 的 torch.long 张量
• 第 0 行是源节点 ID，第 1 行是目标节点 ID
• 无向图需手动加反向边（或设 add_self_loops=False 后自行补）
• 示例：edge_index = torch.tensor([[0,1,1,2],[1,0,2,1]], dtype=torch.long) 表示边 (0→1)、(1→0)、(1→2)、(2→1)
节点特征 x 和边索引 edge_index 怎么配对传入
GCNConv 的 forward 只接收两个核心参数：
• x：shape (num_nodes, in_channels) 的 float 张量，每行是一个节点的初始特征
• edge_index：如上所述的 long 张量
• 其他参数如 edge_weight（可选）、add_self_loops（默认 True）影响是否加自环
• 错误示范：conv(x, A_dense) 会直接报 TypeError
• 正确调用：out = conv(x, edge_index)，内部自动完成归一化与消息传递
常见报错与绕过方式
• RuntimeError: Expected all tensors to be on the same device：确保 x 和 edge_index 都在同一个设备（如都 .to('cuda')）
• IndexError: index out of range：检查 edge_index.max() 是否 ≥ x.size(0)，节点 ID 必须从 0 开始连续编号
• 输出全 nan：大概率是输入 x 包含 inf 或 nan，用 torch.isnan(x).any() 检查
• 训练 loss 不下降：确认 GCNConv 后接了非线性（如 F.relu()），纯线性叠加等价于单层
真正麻烦的从来不是调用那一行代码，而是确保 edge_index 的索引合法、x 的维度对齐、以及所有张量落在同一设备——这些地方错一个，后面全崩，但错误信息往往不指明根源。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
