PyTorch中的PyG庫是一個用于處理圖數據的庫，它本身并不直接支持多任務學習。但是，你可以通過一些方法將多任務學習集成到使用PyG構建的模型中。

一種常見的方法是使用共享表示學習，其中所有任務都共享一個底層特征提取器，但每個任務都有自己的頂層分類器或回歸器。這樣，你可以通過訓練共享底層來學習跨任務的通用知識，同時允許每個任務有自己的特定知識。

另一種方法是使用多輸入多輸出（MIMO）模型，其中你可以為每個任務創建單獨的輸入和輸出模塊，并將它們組合在一起。這樣，你可以為每個任務訓練特定的模型，同時允許它們共享底層特征提取器。

以下是一個簡單的示例，展示了如何使用共享表示學習實現多任務學習：

import torch
import torch.nn as nn
import torch.optim as optim
import pytorch_geometric.transforms as T
from pytorch_geometric.data import DataLoader
from pytorch_geometric.datasets import Planetoid
from pytorch_geometric.nn import MessagePassing

# 定義共享底層特征提取器
class SharedLayer(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(SharedLayer, self).__init__()
        self.lin = nn.Linear(in_channels, out_channels)

    def forward(self, x):
        return self.lin(x)

# 定義頂層分類器
class Classifier(nn.Module):
    def __init__(self, in_channels, num_classes):
        super(Classifier, self).__init__()
        self.lin = nn.Linear(in_channels, num_classes)

    def forward(self, x):
        return self.lin(x)

# 定義多任務學習模型
class MultiTaskModel(nn.Module):
    def __init__(self, num_tasks, num_features, num_classes):
        super(MultiTaskModel, self).__init__()
        self.shared_layer = SharedLayer(num_features, 128)
        self.classifiers = nn.ModuleList([Classifier(128, num_classes) for _ in range(num_tasks)])

    def forward(self, data, task_idx):
        x = self.shared_layer(data.x)
        return self.classifiers[task_idx](x)

# 加載數據集
dataset = Planetoid(root='./data', name='Cora', transform=T.Normalize())
loader = DataLoader(dataset, batch_size=32, shuffle=True)

# 初始化模型、優化器和損失函數
num_tasks = 3
num_features = dataset.num_features
num_classes = dataset.num_classes
model = MultiTaskModel(num_tasks, num_features, num_classes).cuda()
optimizer = optim.Adam(model.parameters(), lr=0.01)
criterion = nn.CrossEntropyLoss()

# 訓練模型
num_epochs = 200
for epoch in range(num_epochs):
    for data, task_idx in loader:
        data, task_idx = data.cuda(), task_idx.cuda()
        optimizer.zero_grad()
        output = model(data, task_idx)
        loss = criterion(output, data.y)
        loss.backward()
        optimizer.step()
    print('Epoch: {:03d}, Loss: {:.3f}'.format(epoch, loss.item()))

在上面的示例中，我們定義了一個MultiTaskModel類，它包含一個共享底層特征提取器和一個頂層分類器列表。每個分類器對應一個任務。在訓練過程中，我們為每個任務單獨計算損失，并使用優化器更新模型參數。這樣，我們可以同時訓練多個任務，并共享底層特征提取器的知識。