这里写的有点抽象，所以具体的可以参照下面代码块中的注释：

def load_data(path="../data/cora/", dataset="cora"):
    """Load citation network dataset (cora only for now)"""
    print('Loading {} dataset...'.format(dataset))

    "导入cora.content"
    idx_features_labels = np.genfromtxt("{}{}.content".format(path, dataset),
                                        dtype=np.dtype(str))
    # 第1维到倒数第2维是该结点对应的特征
    features = sp.csr_matrix(idx_features_labels[:, 1:-1], dtype=np.float32)
    labels = encode_onehot(idx_features_labels[:, -1])
    # labels是它最后一个维度      所有结点的最后一个维度

    # 建立图
    # 取出该结点对应的索引值
    idx = np.array(idx_features_labels[:, 0], dtype=np.int32)
    # 构造结点的索引字典---》利用索引值重新构造图
    idx_map = {j: i for i, j in enumerate(idx)}
    # 导入边的数据
    edges_unordered = np.genfromtxt("{}{}.cites".format(path, dataset),
                                    dtype=np.int32)
    # 用之前为结点建立的索引字典的编号更改每一个边的编号
    edges = np.array(list(map(idx_map.get, edges_unordered.flatten())),
                     dtype=np.int32).reshape(edges_unordered.shape)
    # 构建一个邻接矩阵                     (填充的数据,行号,列号)
    adj = sp.coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),
                        shape=(labels.shape[0], labels.shape[0]),
                        dtype=np.float32)


    # 将有向图转换为无向图
    adj = adj + adj.T.multiply(adj.T > adj) - adj.multiply(adj.T > adj)
    # 对于特征进行归一化
    features = normalize(features)
    adj = normalize(adj + sp.eye(adj.shape[0])) #对A+I进行归一化【邻接矩阵归一化】
    # 划分训练集、测试集以及验证集样本
    idx_train = range(140)
    idx_val = range(200, 500)
    idx_test = range(500, 1500)
    # 将numpy的数据转换成torch中的Tensor格式
    features = torch.FloatTensor(np.array(features.todense()))
    labels = torch.LongTensor(np.where(labels)[1])
    adj = sparse_mx_to_torch_sparse_tensor(adj)

    idx_train = torch.LongTensor(idx_train)
    idx_val = torch.LongTensor(idx_val)
    idx_test = torch.LongTensor(idx_test)
    # 返回的结果：邻接矩阵（已经进行过归一化）、特征值、标签、训练集和测试集以及验证集对应的索引
    return adj, features, labels, idx_train, idx_val, idx_test

Debug部分

对于代码中如何将无向图变成有向图的公式是十分重要的，这里也简单地举了一个小栗子：





注意：这里是有softmax()函数的哦~