用途：PyTorch Geometric（PyG）是基于 PyTorch 的图神经网络（GNN）开发与训练库，适用于图及不规则结构上的深度学习，包括小批量处理、多 GPU 训练与几何深度学习。适用任务包括节点分类、图分类、链接预测、分子性质预测、社交网络分析、引文网络分类与推荐、3D 几何数据（点云、网格、分子结构）、异构图与大规模图学习。
主要能力：以 Data 类表示图，核心属性有 data.x（节点特征）、data.edge_index（COO 格式的 [2, num_edges] 连接）、data.edge_attr、data.y、data.pos，可扩展自定义属性。DataLoader 通过块对角邻接矩阵拼接多图实现高效批处理，无需填充。提供 40 多种卷积层，如 GCNConv、GATConv、SAGEConv，并支持继承 MessagePassing 自定义消息传递层（可实现 forward、message、aggregate、update）。内置 Planetoid、TUDataset、QM9、Reddit 等基准数据集，可继承 InMemoryDataset 或 Dataset 创建自定义数据集，并支持从 CSV 加载。提供 NormalizeFeatures、AddSelfLoops、Compose 等变换，NeighborLoader 用于大图邻居采样，HeteroData、to_hetero、HeteroConv 支持异构图，Explainer 与 GNNExplainer 支持模型可解释性。
使用方式：安装命令为 uv pip install torch_geometric；如需稀疏运算、聚类等附加依赖，可用 uv pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-${TORCH}+${CUDA}.html。基本流程为构造 Data、选择卷积层搭建模型、使用 Adam 等优化器训练，并在训练集掩码上计算损失、在测试掩码上评估。
限制：使用 NeighborLoader 时输出子图为有向、节点索引会重编号（0 到 batch.num_nodes - 1），损失仅应使用种子节点预测，采样超过 2-3 跳通常不可行。资料未提供收费、价格与平台信息。