基于飞桨复现ICML顶会模型SGC，可实现超快速网络收敛

!pip install pgl  
!pip install cython  

import scipy.sparse as sp  

degree=dataset.graph.indegree()  
norm = np.zeros_like(degree, dtype="float32")  
norm[degree > 0] = np.power(degree[degree > 0],-1.0)  
dataset.graph.node_feat["norm"] = np.expand_dims(norm, -1)  
def row_normalize(mx):  
    """Row-normalize sparse matrix"""  
    rowsum = np.array(mx.sum(1))  
    r_inv = np.power(rowsum, -1).flatten()  
    r_inv[np.isinf(r_inv)] = 0.  
    r_mat_inv = sp.diags(r_inv)  
    mx = r_mat_inv.dot(mx)  
    return mx  
def aug_normalized_adjacency(adj):  
    adj = adj + sp.eye(adj.shape[0])  
    adj = sp.coo_matrix(adj)  
    row_sum = np.array(adj.sum(1))  
    d_inv_sqrt = np.power(row_sum, -0.5).flatten()  
    d_inv_sqrt[np.isinf(d_inv_sqrt)] = 0.  
    d_mat_inv_sqrt = sp.diags(d_inv_sqrt)  
    return d_mat_inv_sqrt.dot(adj).dot(d_mat_inv_sqrt).tocoo()  

def pre_sgc(dataset,feature,norm=None):  
   """ 
   Implementation of Simplifying graph convolutional networks (SGC) 
   This is an implementation of the paper SEMI-SUPERVISED CLASSIFICATION 
   WITH Simplifying graph convolutional networks (https://arxiv.org/abs/1902.07153). 
   Args: 
       gw: Graph wrapper object (:code:`StaticGraphWrapper` or :code:`GraphWrapper`) 
       feature: A tensor with shape (num_nodes, feature_size). 
       output: The output size for sgc. 
       activation: The activation for the output 
       name: Gcn layer names. 
       norm: If :code:`norm` is not None, then the feature will be normalized. Norm must 
             be tensor with shape (num_nodes,) and dtype float32. 
   Return: 
       A tensor with shape (num_nodes, hidden_size) 
   """  
   num_nodes=np.shape(feature)[0]  
   adj=np.zeros((num_nodes,num_nodes))  
   #print(np.shape(dataset.graph.edges))  
   for u in range(len(dataset.graph.edges)):  
       adj[dataset.graph.edges[u][0],dataset.graph.edges[u][1]]=adj[dataset.graph.edges[u][1],dataset.graph.edges[u][0]]=1  
   feature=dataset.graph.node_feat[words]  
   feature=row_normalize(feature)  
   if norm==True:  
       adj=aug_normalized_adjacency(adj)  
   for i in range(args.degree):  
       feature=adj.dot(feature)  
   return feature