用途：PyTorch Geometric（PyG）是构建在 PyTorch 之上的图神经网络（GNN）库，适用于图与不规则结构上的深度学习，包括节点分类、图分类、链接预测、分子性质预测、社交网络分析、引文网络、3D 几何数据（点云、网格、分子结构）、异构图（多类型节点与边，如知识图谱）以及大规模图学习（邻居采样、分布式训练）。
主要能力：提供 40 多个卷积层（如 GCNConv、GATConv、SAGEConv），可堆叠使用或通过继承 MessagePassing 自定义层；支持 Data 对象（x、edge_index、edge_attr、y、pos 等属性）、DataLoader 小批量处理（将多图合并为块对角图，无填充）、NeighborLoader 邻居采样、HeteroData/to_hetero 异构图、transforms、GNNExplainer 可解释性、层次池化、GPU 与保存/加载。
使用方式：安装命令为 uv pip install torch_geometric；可选编译算子 uv pip install pyg-lib -f https://data.pyg.org/whl/torch-${TORCH}+${CUDA}.html。PyG 2.8 已将 torch-cluster 与 torch-spline-conv 并入 pyg-lib（>=0.7），无需单独安装；NeighborLoader 在未安装 pyg-lib（或 torch-sparse）时会抛出 ImportError。典型流程：加载或构建数据（内置数据集、自定义 InMemoryDataset 或从 CSV 读取）→ 定义 GNN → 训练（节点分类用掩码，图分类用 DataLoader 加全局池化，大规模用 NeighborLoader）→ 按需使用异构图、变换、可解释性等高级功能。
限制与说明：不适用于经典图算法、中心性、最短路径或无学习的网络可视化（应改用 alterlab-networkx）；社会网络分析设计（中心性、社区检测、ERGMs）应改用 alterlab-sna；端到端分子性质预测（MoleculeNet 特征器与预训练化学模型）应改用 alterlab-deepchem；基于 TorchDrug 数据集与任务的项目应改用 alterlab-torchdrug。官方文档见 https://pytorch-geometric.readthedocs.io/，GitHub 见 https://github.com/pyg-team/pytorch_geometric。