因为热爱所以坚持

是它自己理解的方法实现的，是先通过邻接矩阵，把所有有边的节点对儿取出来，然后根据节点对儿，concat两个节点的特征向量，然后在线性变换成一个注意力值，然后再leakyReLU->mask->softmax，我一开始也是照着这个思路coding的，但是死活和pytorch_geometric的结果不一致，就开始怀疑各个环节，甚至怀疑是不是参数没有xavier初始化，又跑去源码找pytorch是怎么初始化的，然后又找不到pytorch的初始化参数，真是搞得晕头转向的。最原始的图卷积层是SUM求和的传递机制；

很多地方讲GCN时一直和图像卷积CNN放一起扯啊扯，我个人认为，二者实在没啥可比性，就好比苹果和橘子，没啥可比的，就各学各的，学GCN就把脑子里面的CNN给清空了，不然越搅越糊。一是，在传统深度学习中，deeper is better, 所以我们一直追求更深更复杂的架构，也就是我们经常说的"在海量的数据上训练巨大的模型",所以现在很多模型动辄就是数亿参数，普通电脑根本没法训练，所以当下就是拼硬件的一个局面。每个节点更新特征的时候，一方面要考虑自身的特征，另一方面要考虑与它相关的点的特征。

因为每个点都不是孤立的，它都是和一些别的点有联系的，所以一个点的特征的变化是要受到和它有边相连的点的影响的。比如有的任务是求点的（比如对点进行分类、回归等任务），有的是求边的（比如对边进行分类、回归等任务），有的还是求全局的就是Graph级别的任务(比如设计分子结构等任务)。图是一个全局的概念。vi节点k跳远的邻接节点(neighbors with k-hop)，指的是到节点vi走k步的节点（一个节点的2跳远的邻接节点包含了自身）。比如上图的节点A的邻接节点就是E，而节点E的邻接节点是ABCD四个节点。

因为每个点都不是孤立的，它都是和一些别的点有联系的，所以一个点的特征的变化是要受到和它有边相连的点的影响的。比如有的任务是求点的（比如对点进行分类、回归等任务），有的是求边的（比如对边进行分类、回归等任务），有的还是求全局的就是Graph级别的任务(比如设计分子结构等任务)。图是一个全局的概念。vi节点k跳远的邻接节点(neighbors with k-hop)，指的是到节点vi走k步的节点（一个节点的2跳远的邻接节点包含了自身）。比如上图的节点A的邻接节点就是E，而节点E的邻接节点是ABCD四个节点。

的PyTorch的扩展库，几何深度学习指的是应用于图和其他不规则、非结构化数据的深度学习。是非常随意的，它不像MLP、CNN、RNN、Transformer那样，必须要数据规整、要resize、要截断填补等，图神经网络要求的数据只要有点有边就行，至于几个点几条边都随意。然而在真实世界中，并不是所有的事物都可以用结构化数据来表示，比如社交网络、知识图谱、电商购物、复杂的文件系统、蛋白质相互作用关系、分子结构等，这些事情就没法用结构化数据来表示，只能以。的深度学习方法，就是将神经网络模型拓展到图数据计算领域。