六月组队学习总结-图神经网络

引言

作为一名管理学的博士生，过去仅仅是使用传统的数据挖掘方法来做相关研究，因为畏难情绪和单打独斗的现状，导致自己一直没有敢于踏入主流的深度学习研究中。因此，我非常感谢 Datawhale 组织提供的学习资料和学习环境，推动我走出了深入学习计算机前沿知识的第一步，让我发现深度学习没有难道让人不知所措，还是可以通过投入时间和精力、虚心请教认真实践去掌握的。

过去的收获

Task00：熟悉规则（1天）

作为一个小白，组队学习群里的很多专业术语对我来说都是全新的。笨鸟先飞，我首先自学了 Markdown 语法，并初步掌握了 Typora 的用法。然后注册了 GitHub，学会了使用 Git 来上传自己的文档。根据自己的一些 Python 基础，在 Anaconda 上配置了专门的学习环境。

Task01：简单图论与环境配置与PyG库（2天）

学习了图论相关知识，其中基础概念以前就学过，新的知识主要是异构网络等高级图的形式。比较困难的一点是 PyG 的配置，遇到了很多问题，包括 GPU 的调用（后来放弃，转用 CPU）等。最终在队员的答疑下成功解决。

Task02：消息传递范式（3天） 

学习消息传递范式，为了方便理解，自己还找到了随机游走等相关资料去学习。顺利运行了学习资料提供的代码，但一开始不是很理解每一条的意义。其中让我迷惑的就是面向对象的编程思想，和我之前学习的面向过程的编程思想存在冲突，这需要时间去转变。

Task03：基于图神经网络的节点表征学习（4天）

节点表征学习也就是常看到的 embedding，是很多任务的基础。在 Python 上实践了 GCN、GAT等模型在节点表征任务上的差别。这部分还学到了数据集的下载和管理方式。

Task04：数据完整存储与内存的数据集类+节点预测与边预测任务实践（4天）

学到了完整存储与内存的数据集类，这一点一开始也很迷惑，觉得数据不就应该存储在内存里吗。因为我之前使用 R 语言做研究，R语言基本上只能把数据读到内存中做处理，所以没有想到还可以有不读入内存的情况。实操了节点预测和边预测的任务。

Task05：超大图上的节点表征学习（4天）

阅读了超大图的论文，理解了其中聚类+分批处理的思想，成功在自己的电脑上运行了程序，花费了大概10小时。完成作业因为要分析不同参数的影响，又花了10小时。

Task06：基于图神经网络的图表示学习（4天）

学习了对图本身进行分类的方法，主要依赖于节点表征，然后使用卷积中的池化方法。

Task07：图预测任务实践（4天）

了解了分批载入数据的数据集类，与之前学的全部放入内存的数据集类不同，主要处理大规模数据。主要碰到的问题是自己的电脑设备不足，运行了整整两天竟然还没有结束。