(DataWhale)图深度学习Task08:总结

GNN背景

欧几里得空间的数据满足平移不变性和局部可连通性等特点,适用CNN、RNN等传统深度学习模型。图是一种更广泛的数据,且非欧几里得数据,研究图神经网络极有必要。

图数据的特征:

  • 节点的不均匀分布
  • 排列不变性
  • 边的额外属性

图神经网络的挑战:

  • 图数据的不规则性
  • 图结构的多样性
  • 图数据的大规模性
  • 图研究的跨领域性

典型图神经网络

GCN:每个节点的卷积操作可以看作一阶邻居节点之间的消息传递;

GAT:利用注意力机制来定义图卷积;

MPNN:将空域图神经网络统一成消息传递方式;

GraphSAGE:将直推式学习扩展到归纳式学习,并通过邻居采样的方式加速图神经网络在大规模数据上的学习;

Cluster-GCN:结合图聚类算法对子图节点采样,并限制子图的邻居搜索;

GIN:证明WL测试是图神经网络表达能力的上限,图同构网络是表达能力最强的图神经网络。

图神经网络任务

  • 节点:节点的分类、回归、聚类等
  • 边:边分类、链接预测等
  • 图:图的分类、图的生成、图的匹配等

图神经网络库PYG实践

PyTorch Geometric Documentation

PyG是一个基于PyTorch的用于处理不规则数据(比如图)的库,也就是一个用于在图等数据上快速实现表征学习的框架。

  • torch_gemotric.data
    • Data:使用该类可构建自定义图数据对象;
    • Dataset:用于构建自定义数据集的基类;
    • InMemoryDataset:继承Dataset,创建存储于内存的数据集类;
    • DataLoader:通过batch的方式feed数据;
  • torch_geometric.nn
    • MessagePassing:自定义message、update、aggregation scheme三个方法实现GNN;
    • GCNConv
    • GATConv

GNN的学习任重道远,本次学习起到引导梳理作用,接下来仍需不断深入扩展,加油!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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