dgl-使用内置SAGE和重写SAGE两种方法来实现基于zachery的2层GraphSage模型的节点分类

举例：基于图神经网络的半监督社区检测问题

1、导入第三方库，如

import dgl
import torch
import torch.nn as nn
import torch.nn.functional as F
import itertools

2、加载图数据（有时还需要划分训练集和测试集；尤其在链接预测上还需要构造负采样数据后+将正边和负边放在一起，形成训练和测试集），下面只是举例一个简单的分类模型

from tutorial_utils import load_zachery

# ----------- 0. load graph -------------- #
g = load_zachery()
print(g)

3、节点特征和部分标签初始化

# ----------- 1. node features -------------- #
node_embed = nn.Embedding(g.number_of_nodes(), 5)  # Every node has an embedding of size 5.
inputs = node_embed.weight                         # Use the embedding weight as the node features.
nn.init.xavier_uniform_(inputs)
print(inputs)

labels = g.ndata['club']
l