图神经网络GNN教程：7篇带你彻底学习

【导读】图卷积网络(Graph Convolutional Networks)作为最近几年兴起的一种基于图结构的广义神经网络，因为其独特的计算能力，受到了学术界和工业界的关注与研究。传统深度学习模型如 LSTM 和 CNN在欧式空间中表现不俗，却无法直接应用在非欧式数据上。为此，研究者们通过引入图论中抽象意义上的“图”来表示非欧式空间中的结构化数据，并通过图卷积网络来提取（graph）的拓扑结构，以挖掘蕴藏在图结构数据中的深层次信息。本文结合公式推导详细介绍了图卷积网络（GCN）的前世今生，有助于大家深入了解GCN。

系列教程《GNN-algorithms》

---

本文为系列教程《GNN-algorithms》的内容，该系列教程不仅会深入介绍GNN的理论基础，还结合了TensorFlow GNN框架tf_geometric对各种GNN模型（GCN、GAT、GIN、SAGPool等）的实现进行了详细地介绍。本系列教程作者王有泽（https://github.com/wangyouze）也是tf_geometric框架的贡献者之一。

系列教程《GNN-algorithms》Github链接：

• https://github.com/wangyouze/GNN-algorithms

TensorFlow GNN框架tf_geometric的Github链接：

• https://github.com/CrawlScript/tf_geometric

  
  

• 系列教程GNN-algorithms之一：《图卷积网络（GCN）的前世今生》

• 系列教程GNN-algorithms之二：《切比雪夫显神威—ChebyNet》

• 系列教程GNN-algorithms之三：《将图卷积简化进行到底—SGC》

• 系列教程GNN-algorithms之四：《Inductive Learning 大神—GraphSAGE》

• 系列教程GNN-algorithms之五：《注意力机制在图上的应用—GAT》

• 系列教程GNN-algorithms之六：《多核卷积拓扑图—TAGCN》

• 系列教程GNN-algorithms之七：《图同构网络—GIN》

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GNNWYZ” 可以获取《《图卷积网络（GCN）的前世今生》》专知下载链接索引

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看5000+AI主题知识资料