用途：PyTorch Geometric（PyG）是构建在 PyTorch 之上的库，用于开发与训练图神经网络（GNN），适用于图与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应用。
主要能力：支持图机器学习（节点分类、图分类、链接预测）、分子性质预测（药物发现、化学性质预测）、社交网络分析（社区检测、影响预测）、引文网络（论文分类、推荐）、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）、大规模图学习（邻居采样、分布式训练）。内置 40 多种卷积层，常见有 GCNConv、GATConv、SAGEConv；提供 MessagePassing 基类支持自定义消息传递层；提供 Data、HeteroData、InMemoryDataset 等数据结构，以及 Planetoid、TUDataset、QM9、Reddit 等基准数据集；支持 NormalizeFeatures、AddSelfLoops 等变换与 GNNExplainer 可解释性工具。
使用方式：安装用 uv pip install torch_geometric，稀疏操作等额外依赖按资料中的 pyg_lib、torch_scatter 等命令安装（需匹配 torch 与 CUDA 版本）。基本用法为用 Data(x=x, edge_index=edge_index) 构建图，edge_index 为 [2, num_edges] 的 COO 格式张量；用 DataLoader 做小批量，用 NeighborLoader 做大规模图邻居采样；训练流程为定义模型、优化器，前向计算输出并计算 loss 反传。
限制：NeighborLoader 输出的子图是有向的，节点索引会被重标号，loss 只能用种子节点预测计算；采样一般不超过 2 至 3 跳；数据集需区分内存内（InMemoryDataset）与超出内存（Dataset）两种实现。其余未在资料中说明的内容暂未提供。