图卷积网络（GCNs）已成为学习图节点表示的重要工具。在大规模图上应用GCNs的主要挑战是其扩展性问题，即由于跨层时邻域的不可控扩展，导致计算和内存成本高昂。本文通过开发一种自适应逐层采样方法来加速GCNs的训练。通过自顶向下的方式逐层构建网络，我们在顶层的条件下对下一层进行采样，其中不同父节点共享采样的邻域，并且由于固定大小的采样，避免了过度扩展。更重要的是，所提出的采样器具有自适应性，并适用于显式方差减少，从而增强了我们方法的训练效果。此外，我们提出了一种新颖且经济的方法，通过引入跳跃连接来促进远距离节点之间的消息传递。大量的基准实验验证了我们的方法在分类准确性方面的有效性，并且该方法还具有更快的收敛速度。