PyTorch实现GraphSAGE: 从节点表征学习到图神经网络

概述：
图神经网络（Graph Neural Networks，简称GNN）是一类专门用于处理图结构数据的深度学习模型，近年来在许多任务上取得了显著的成果。其中，GraphSAGE（Graph Sample and Aggregated）是一种基于随机采样和聚合的图神经网络模型，广泛应用于节点表征学习任务。本文将介绍如何使用PyTorch实现GraphSAGE，并提供相应的源代码。

1. 数据准备
   在实现GraphSAGE之前，我们需要准备好图数据。通常，图数据包括节点特征和边关系。节点特征是指每个节点上的属性信息，而边关系则表示不同节点之间的连接方式。

在这里，我们以Cora数据集为例进行演示。首先，我们需要导入必要的库：

import numpy as np
import torch
from torch_geometric.datasets import Pla