【几何深度学习 Geometric Deep Learning】GraphSAGE 代码示例

GraphSAGE 代码示例，演示如何在大规模图上通过邻居采样（Neighbor Sampling）来降低计算复杂度。
代码使用 PyTorch + torch_geometric（PyG），因为它已经把邻居采样、分布式训练等常用技巧做得比较好。但为了让你更直观地看到实现细节，我也在关键处写了大量注释，并给出了可选的纯 PyTorch 实现思路。

⚠️ 运行前请先安装依赖

pip install torch torchvision torchaudio torch-geometric==2.5.3 \
    torch-scatter==2.1.2 torch-sparse==0.6.18 torch-cluster==1.6.3 \
    torch-spline-conv==1.2.1 tqdm

⚠️ 如果你使用的是 RTX 3090 / A100 等显卡，建议把 torch_scatter、torch_sparse 用对应的 CUDA wheel 安装，以获得更快的稀疏矩阵运算。

---

1. 数据准备

我们以常用的 Cora 文档分类数据集为例（图大小约 2,708 篇文献，5,429 条边），你可以把下面的数据加载逻辑直接改成自己的大规模图文件。

import torch
from torch_ge