用途：PyTorch Geometric（PyG）是建立在 PyTorch 之上的图神经网络（GNN）库，用于图和稀疏/不规则结构的深度学习，包括迷你批处理、多 GPU 训练和几何深度学习。适用场景包括图机器学习（节点分类、图分类、链接预测）、分子性质预测（药物发现、化学性质）、社交网络分析、引用网络、3D 几何数据（点云、网格、分子结构）、异构图层（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+ 卷积层，如 GCNConv、GATConv、SAGEConv；支持通过 MessagePassing 自定义消息传递层；内置 Planetoid、TUDataset、QM9、Reddit 等基准数据集，并可通过 InMemoryDataset/Dataset 创建自定义数据集；支持 HeteroData 异构图层与 to_hetero、HeteroConv；提供 NormalizeFeatures、AddSelfLoops 等 transforms；支持 NeighborLoader 邻居采样处理大规模图；提供 GNNExplainer 等可解释性工具；支持 global_mean_pool 等池化与 DataLoader 迷你批处理。
使用方式：安装可用 uv pip install torch_geometric，若需稀疏操作、聚类等额外依赖，用 uv pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-${TORCH}+${CUDA}.html。用 Data(x=x, edge_index=edge_index) 构建图，边索引为 [2, num_edges] 的 COO 格式；节点分类可加载 Planetoid 数据集并定义 GCN 等模型训练；图分类用 TUDataset 与 DataLoader，并通过 global_mean_pool 聚合；大规模图用 NeighborLoader，仅对种子节点计算损失。
限制：采样超过 2-3 跳通常不可行；NeighborLoader 输出子图是有向的，节点索引会重编号，只能使用种子节点预测计算损失。其他收费、价格、平台或效果信息暂未提供。