lesson_06_graphsage_cora

Lesson 06：GraphSAGE（Cora，全图训练最小实现）

这节课的目标：在 Cora 上跑通 GraphSAGE 的最小实现（纯 PyTorch sparse），理解它和 GCN 的核心差异：

• GCN：常用对称归一化 D^{-1/2}AD^{-1/2}，更像“平滑 + 线性变换”的组合。
• GraphSAGE：强调 邻居聚合器（mean/sum/pool） 与可扩展的采样训练（本课先做全图训练，先把直觉跑通）。

注意：为了把“概念 → 能跑 → 能改”变得简单，本课使用 全图训练（full-batch）。学会之后再扩展到 neighbor sampling。

运行方式

python -m tracks.gnn.lesson_06_graphsage_cora.train --epochs 200 --hidden-features 64

快速冒烟：

python -m tracks.gnn.lesson_06_graphsage_cora.train --epochs 1 --device cpu --run-name smoke

输出产物（统一规范）

outputs/gnn/lesson_06_graphsage_cora/<run_name>/

• config.json
• metrics.jsonl
• logs/train.log
• checkpoints/checkpoint.pt

练习（建议）

1. 把聚合器从 mean 改成 sum（提示：用未归一化邻接 + 度数归一化）。
2. 加一层（3-layer GraphSAGE），观察过平滑（oversmoothing）是否出现。
3. 在 dropout 与 weight_decay 上做网格搜索，记录最优验证集指标。