用途：PyTorch Geometric（PyG）是构建在 PyTorch 之上的图神经网络（GNN）库，用于图和不规则结构上的深度学习，涵盖节点分类、图分类、链接预测、分子性质预测、社交网络与引文网络分析、3D 几何数据（点云、网格、分子结构）、异构图（如知识图谱）以及大规模图学习。
主要能力：提供 40 多个卷积层，常用包括 GCNConv、GATConv、SAGEConv；支持基于 MessagePassing 的自定义消息传递层；内置 Planetoid、TUDataset、QM9、Reddit 等基准数据集；支持 DataLoader 小批量处理（块对角邻接矩阵拼接，无需填充）、NeighborLoader 邻居采样、多 GPU 训练；提供 HeteroData 与 to_hetero、HeteroConv 处理异构图；提供 NormalizeFeatures、AddSelfLoops、KNNGraph 等变换；提供 GNNExplainer 等可解释性工具与池化操作。
使用方式：安装命令为 uv pip install torch_geometric；如需稀疏操作、聚类等附加依赖，使用 uv pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-${TORCH}+${CUDA}.html。图数据用 torch_geometric.data.Data 表示，关键属性包括 data.x（节点特征）、data.edge_index（COO 格式 [2, num_edges] 连接关系）、data.edge_attr、data.y、data.pos，可扩展自定义属性。可从 CSV 加载节点与边构建图，或继承 InMemoryDataset/Dataset 创建自定义数据集。训练流程与 PyTorch 一致：定义模型、优化器，前向传播后计算损失并反向更新。
适用场景：图机器学习、药物发现与化学性质预测、社区检测与影响力预测、论文分类与推荐系统、点云与网格处理、知识图谱等。
限制：邻居采样通常不宜超过 2-3 跳；采样输出子图是有向的且节点索引会重排，损失只应使用种子节点预测；大规模图需借助采样或分布式训练。资料未提供具体收费、价格与平台支持信息。