PyTorch实战（12）——图神经网络（Graph Neural Network，GNN）

于 2025-11-26 08:35:41 发布
阅读量1.2k 收藏 64
点赞数 64
CC 4.0 BY-SA版权
分类专栏： PyTorch从入门到项目实战 文章标签： pytorch 神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/LOVEmy134611/article/details/150378982

PyTorch实战（12）——图神经网络（Graph Neural Network，GNN）

0. 前言

我们已经学习了从卷积网络、循环网络，到基于注意力的 Transformer 模型，再到自动生成的神经网络等多种架构。虽然这些架构能解决大多数深度学习问题，但它们最擅长处理的是连续空间数据(通常表示为向量或欧几里得空间中的坐标)，例如文本 (1D)、图像 (2D) 和视频 (3D)。然而现实世界中，社交网络、蛋白质相互作用网络、文献引用网络乃至万维网等大量数据都以图结构形式存在。在本节中，我们将学习图神经网络 (Graph Neural Network, GNN)——一种能够从图结构中直接学习模式的深度学习模型。我们将首先理解 GNN 的基础概念。随后探讨不同类型的图学习任务，并研究主流的 GNN 模型。

1. 图神经网络简介

为了理解图神经网络

了解本专栏 订阅专栏 解锁全文
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 1万+
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 13万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
深度学习篇---GNN（图神经网络）
最新发布
道阻且长，行则将至。
11-04 1433
图神经网络(GNN)的兴起源于处理非欧几里得数据的需求。相比CNN和RNN只能处理规则数据，GNN擅长分析图结构数据，如社交网络、分子结构等。其核心思想是通过消息传递机制，让节点特征由其自身和邻居共同定义。主要模型包括GCN、GAT等，具有强大表示能力和扩展感知范围的优势。GNN已广泛应用于药物发现、推荐系统等领域，但也面临过度平滑、可扩展性等挑战。GNN的出现标志着AI从处理独立数据迈向理解复杂互联世界的关键一步。
几种图神经网络方法总结（Graph Neural Network）
图灵是我
03-08 7万+
概要 今年来图神经网络受到大家越来越多的关注，在文本分类(Text classification)，序列标注（Sequence labeling）, 神经机器翻译（Neural machine translation）,关系抽取（Relation extraction），事件抽取（Event extraction）, 图像分类（Image Classification），视觉推理（Visual R...
图机器学习（7）——图神经网络 (Graph Neural Network, GNN)
盼小辉丶的博客
07-15 7530
图神经网络 (Graph Neural Network, GNN) 是一类专门处理图结构数据的深度学习方法。这类方法也被称为几何深度学习 (geometric deep learning)，在社交网络分析、计算机图形学等众多领域正受到日益广泛的关注。在本节中，我们介绍了 GNN 的核心原理，将卷积等经典深度学习范式拓展至非欧几里得图空间，实现了局部结构与全局特征的层次化提取。
图神经网络（Graph Neural Networks）简单介绍
百年孤独百年的博客
05-24 2万+
图神经网络（Graph Neural Networks, GNN）是一类用于处理图结构数据的神经网络模型，与传统的神经网络（例如卷积神经网络、循环神经网络等）处理规则数据结构（如图像、时间序列）不同，图神经网络专门处理不规则的图结构数据，如社交网络、知识图谱等。图结构数据是一种由节点和边组成的复杂关系网络，其中节点代表实体，边代表实体之间的关系。与传统的神经网络不同，图神经网络需要考虑节点之间的关系，因此需要一种新的方式来表示节点和边。
图神经网络 (GNN)
m0_62307289的博客
11-11 2万+
我们以民国最出名的七角恋人物关系图为例进行讲解，如下图所示：这是一张图，包括人物实体以及人物关系。我们抽象成下面的形式，人物是图的顶点（Vertex）、人物关系是图的边（Edge）。顶点和边都可以附带各自的属性（如：姓名、关系类型等）V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）
图神经网络简介，什么是图神经网络，GNN
一起躺躺躺的博客
05-13 3万+
distill博客：A Gentle Introduction to Graph Neural Networks (distill.pub) 什么是图？ 图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。 怎么表示一张图，可以参考下面这个例子 每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的.
图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 2万+
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
图神经网络初探
Kaiyuan_sjtu的博客
10-03 8244
介绍随着图神经网络（Graph Neural Networks，GNN）热潮的出现，了解、掌握图神经网络相关原理以及应用相关技术越来越成来从事人工智能人员的必要条件。本文主要概述图神经网络...
深度学习十大算法之图神经网络（GNN）
第欧根尼的酒桶的博客
03-26 9284
神经网络是一种模仿生物神经网络（例如大脑）工作方式的算法，是人工智能和机器学习领域的核心。最简单的神经网络由输入层、若干隐藏层和输出层组成，其中每层包含多个神经元。这些神经元通过带权重的连接相互作用。输入数据在网络中传播，并在每个神经元处进行加权求和和激活函数处理，最终产生输出。神经网络能够通过学习数据中的模式来执行各种复杂任务，如分类、预测等。
图神经网络从入门到入门
zandaoguang的博客
05-14 1285
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达作者丨yyHaker来源丨https://zhuanlan.zhihu.com/p/136521625编...
【有啥问啥】图神经网络（Graph Neural Networks）是什么？
Chauvin的博客
08-19 3906
在数据科学和机器学习的广阔领域中，图结构数据以其独特的复杂性和丰富性成为了一个重要的研究方向。从社交网络中的用户关系，到生物信息学中的蛋白质交互网络，再到交通网络中的道路连接，图结构数据无处不在。为了有效地处理和分析这些图数据，图神经网络（Graph Neural Networks, GNNs）应运而生，它们为理解和利用图结构数据中的复杂模式提供了强大的工具。
图神经网络
Mr_SHOA的博客
12-07 2078
图神经网络简介 神经网络与图这种数据结构相结合（结构和属性），构成了图神经网络。 如何构建一个图神经网络？图神经网络的背后思想是什么？ 图神经网络（GNN）已经被用在各种领域，如医学、物理、新闻检测、流量预测和推荐系统 • 什么数据最适合用图结构来表达 • 图结构与其他数据结构之间的区别，使用图的时候，我们需要注意一些什么 • 从头到尾构建一个GNN，并说明每一个细节 • 提供一个GNN交互模块，基于真实词语任务和数据集去领悟GNN模型中每一个部分对整个模型是如何影响的 什么数据可以用图结构来表示 我们当
【GNN】图神经网络的实现
zxy0000zxy的博客
11-20 825
综合上面所有的内容，最重要的是以下两点：①不同GNN的本质区别是他们的消息传递机制不同，如GCN/GraphSAGE/GIN/GAT等等，只需要修改层的名称即可，目前已经达到了高度的集成化，不需要进行手撸，除非你的研究需要。Output层的输入不一样。●对于节点层面的任务而言可以直接self.conv = GCNConv(16, dataset.num_classes) ————这是直接把任务融合到卷积层也可以在卷积获取特征之后，后面加几个线性层●对于边层面的任务而言。
图神经网络及其Pytorch实现
jiangchao98的博客
12-13 9441
图结构一般而言是十分不规则的，可以认为是无限维的一种数据，因此不存在平移不变性。每一个结点周围的结构都是独一无二的，因此针对该结构的数据。涌现出GNN、DeepWalk、node2vec等等方法。 GCN，即图卷积神经网络 图卷积神经网络（GCN） tkipf/pygcn (github.com) Graph Convolutional Networks |Thomas Kipf | University of Amsterdam (tkipf.github.io) 图卷积网络（GCN） 数学.
图神经网络（一）：综述
u013010473的博客
08-04 7599
图神经网咯综述
【图神经网络】Pytorch图神经网络库——PyG基础操作
小哲的博客
12-22 5093
PyG（PyTorch Geometric）是一个基于PyTorch构建的库，可轻松编写和训练图神经网络（GNN），用于与结构化数据相关的广泛应用。它包括从各种已发表的论文中的图和其他不规则结构（也称为几何深度学习）的各种方法。
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
知不足而奋进，望远山而前行
10-04 7万+
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实际场景中（例如道路交通），不同城市的道路数量和节点数量都不同，即输入数据格式不固定。对此，传统神经网络不能很好地解决，但是GNN可以用来解决此类问题。卷积：卷积核平移计算图卷积：自身信息+所有邻居信息。
PyTorch实现图神经网络GNN：GCN与GAT实战
本文围绕“基于PyTorch的GNN搭建”这一主题，系统性地阐述了图神经网络（Graph Neural Networks, GNN）从理论基础到实际代码实现的全过程。其核心目标是帮助深度学习研究者与开发者掌握如何使用PyTorch框架构建高效...
评论 77
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

盼小辉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值