您可以为您的项目使用Pytorch_Geometric库。它支持加权 GCN。它是一个快速发展的开源库，具有易于使用的语法。Pytorch的登录页面中提到了它。它是几何深度学习中最受关注的 Pytorch github repo。创建一个可以处理具有权重的图的 GCN 模型非常简单：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):

        # data has the following 3 attributes
        x, edge_index, edge_weight = data.x, data.edge_index, data.edge_weight

        x = self.conv1(x, edge_index, edge_weight)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index, edge_weight)

        return F.log_softmax(x, dim=1)

请参阅此入门。查看其关于 GCN 不同变体的文档以获取更多详细信息。最好的事情之一是，像 Pytorch 一样，它的文档是自给自足的。

A Comprehensive Survey on Graph Neural Networks (2019) 提供了 ConvGNN 的列表。以下所有都接受加权图，三个也接受具有边权重的图：

以下是上述许多内容的一系列开源实现：