En los últimos dos años, han surgido varios aceleradores de redes neuronales de convolución de grafos (GCNs), cada uno con sus propias características, pero su desventaja común es que la arquitectura de hardware no es programable y está optimizada para una red y conjunto de datos específicos. Pueden no admitir aceleración para diferentes GCNs y no lograr una utilización óptima de los recursos de hardware para conjuntos de datos de diferentes tamaños. Por lo tanto, dadas las deficiencias anteriores, y de acuerdo con la tendencia de desarrollo de los aceleradores tradicionales de redes neuronales, este documento propone e implementa GPGCN: una arquitectura de acelerador GCNs de propósito general basada en la extensión del conjunto de instrucciones RISC-V, que brinda la libertad de programación de software para admitir la aceleración de varios GCNs, y logra la mejor eficiencia de aceleración para diferentes GCNs con diferentes conjuntos de datos. En comparación con la CPU tradicional, y la CPU tradicional con expansión de vector, GPGCN logra más de 1001x, 267x de aceleración para GCN con el conjunto de datos Cora. En comparación con los aceleradores dedicados, GPGCN tiene programabilidad de software y admite la aceleración de más GCNs.