用途：PyTorch Geometric（PyG）是构建在 PyTorch 之上的图神经网络（GNN）库，用于开发与训练 GNN。适用节点分类（引文、社交、生物网络）、图级分类（分子活性、蛋白质功能）、链接预测（知识图谱、推荐）、分子性质预测、3D 点云与网格分析、大规模图学习（>100K 节点）以及多类型节点/边的异构图。非图深度学习应直接用 PyTorch；传统图算法（最短路、中心性）用 NetworkX。
主要能力：提供 40+ 卷积层（GCNConv、GATConv、SAGEConv、GINConv、TransformerConv、ChebConv、NNConv、SchNet、RGCNConv、HGTConv、EdgeConv 等）；通过块对角邻接矩阵实现小批量处理，无需填充；NeighborLoader 支持大规模图的邻居采样；HeteroData 与 to_hetero 支持异构图；提供全局/层次池化、多种聚合方式、数据变换与划分工具，以及 GNNExplainer 可解释性。
使用方式：安装 pip install torch torch_geometric，可选 pip install pyg_lib torch_scatter torch_sparse torch_cluster。数据用 Data(x, edge_index, y) 表示，edge_index 为 [2, num_edges] 的 COO 格式；小批量用 DataLoader，图级读出用 global_mean_pool(x, batch)；大规模训练用 NeighborLoader(data, num_neighbors=[25,10], batch_size=128, input_nodes=data.train_mask)，损失只在前 batch_size 个种子节点上计算。
限制与注意：GNN 通常只需 2-3 层，过深会导致过平滑，可用 JumpingKnowledge 或 PairNorm；图分类中必须传入 batch 向量；模型与数据都需 .to(device)；邻居采样输出的子图是有向且索引重标号。具体收费、平台与效果资料暂未提供。