GNN学习

图基本模块

点：点由特征向量来表示；比如一个人是一个点，特征是身高，体重，年龄等等

边：边也是由向量表示的；比如预测2个人之间的关系，是塑料的关系，还是青铜的关系

图：图也是一个向量；

图神经网络最终要输出什么？

看任务是什么？对点做分类/回归？对边做分类/回归？对整个图做分类/回归？

邻接矩阵

邻接矩阵表示了谁和谁有关系，谁和谁有连接

GNN应用领域

化学分子预测；轨道交通；社交网络；

GNN常见三种任务：图级别任务；点级别任务；边级别任务

传统的神经网络的要求：

输入的格式是固定的，比如训练图像里面，一个batch里面，一会32×32，一会64×64，这样的是没有的。但是实际生活当中有很多东西都不是固定的。分子：每个分子都不一样；轨道交通：每个城市的交通都不一样，有的点不同，有的边不同；不同的数据结构完全不同的情况应该怎么处理？第一种硬是往神经网络上面靠，多退少补，会导致一些特征被破坏，这是不被希望的。

所以来使用图神经网络来处理这些事情，对与输入结构没有要求（图神经网络的优势）。比如给定100张图，其中每个图的顶点和边都不一样，都没关系。

比如说社交网络，他的顶点和连接不是不变的，是变化的。

消息传递计算方法

消息传递的方法，在更新一个顶点的特征的时候，需要考虑它邻居的特征。计算方式如下图所示，需要结合自己和邻居来更新自己的特征。结合邻居的方式有很多，比如求和，求平均，求最大最小值。。。。。。其中W权重是通过神经网络训练得来的。

多层GNN的作用

GNN的本质是更新各部分特征，其中邻接矩阵不会改变，改变的是特征

只改变特征，为什么要2层呢？只用1层可以吗？

不可以，因为每一个点在更新的时候都受它的邻居影响，那么做了很多层之后，宏观上来看，类似于CNN的感受野，它的感受野就越来越大。

所有的点和边都是向量。

GCN基本模型概述

传统的神经网络解决不了，输入不同应该怎么办。

GCN的输入是：各节点的特征 和 邻接矩阵

很多图的任务并不一定是有监督学习，是半监督学习

比如说下图中针对点，红色的点有标签，？的点没有标签；

所以针对图的数据，有些点没有标签是可以的。

图卷积的基本计算

如下图所示，在第一层的时候，更新每一个点的特征，更新点的特征的方式如上图所示，然后经过以RELU函数，然后在第二层的时候，再次更新每一个点的特征，然后再使用一个RELU函数，最后得到输出，使用多层的目的是为了扩大类似于CNN里面的感受野一样的东西，就是让每一个节点更新的时候都受所有其他点的影响，比如1号点想要受6号点影响，就需要2层才可以。

A表示邻接矩阵，D表示度矩阵（表示那个点有几个邻居），X是特征矩阵。

GCN的层数不易太多，层数多了，相当于感受野就变大了，但是并不总是一件好事，因为距离比较远的两个点之间的关系可能没有那么的大。