目录
介绍
图的定义
数据的图的表示
1、图片的图表示（11：50）
2、文本的图表示
3、分子的图表示
4、社交网络的图表示
数据统计
三大类问题
1、图层面的任务
2、顶点层面的任务
3、边级层面的任务
将图用在机器学习上的挑战
1、挑战
2、解决办法
3、输入神经网络的方法
零基础多图详解图神经网络（GNN/GCN）【论文精读】_哔哩哔哩_bilibili
https://www.bilibili.com/video/BV1iT4y1d7zP?spm_id_from=333.337.search-card.all.click&vd_source=556d1641ea6399350ae7b3b12715aaa9
介绍
distill网站文章
图的定义
其中 V表示节点的特征，E表示边的贡献，U表示图的全局。
V E U 均可以用向量表示。
图分为两种：朋友关系没有方向，有的比如粉丝关注是有方向的。
数据的图的表示
1、图片的图表示（11：50）
中间的是邻接矩阵，每个像素点周围的都是邻居，临接矩阵中每个蓝色的点表示一个边，是稀疏矩阵。
2、文本的图表示
每个词是一个节点，词与词之间有一个有向边，因为是有向图，所以邻接矩阵不对称。
3、分子的图表示
原子之间的连接。
4、社交网络的图表示
人物之间的交互关系。等等...
数据统计
三大类问题
1、图层面的任务
将图进行分类，比如哪个有一个环、哪个有两个环，这种简单的任务编程转一圈就可以实现。
2、顶点层面的任务
空手道例子，有两个老师，其余都是学生，两个老师打架了，那么学生都是站在老师A这边，还是老师B这边。
右图灰色的和老师A在一个阵营，红色的和老师B在一个阵营。
3、边级层面的任务
语意分割将图片分割，然后去学习边之间的属性，并预测边的属性。
将图用在机器学习上的挑战
1、挑战
1、节点比较多，邻接矩阵很大，而且是个稀疏矩阵，用在GPU上计算一个是一个难题。
2、节点交换顺序，邻接矩阵形状变化，但是要保证神经网络输出的结果保持一致。
邻接有多种选择：
2、解决办法
如果又想存储高效，又想不影响我的整个排序的话，可以采用下面的方式：
8个顶点7条边：
每个顶点的属性用标量表示，当然也可以换成向量
边也可以用一个标量表示，同样的道理也可以用向量，
邻接矩阵可以用邻接列表的方式表示，长度和边数是一样的，其中第i项表示第i条边连接哪两个节点。
这样处理的好处是可以同时打乱顺序，表示的东西不会变。
3、输入神经网络的方法
3种数据经过3个MLP，只对属性变换，图的结构没有变换
预测一个没有顶点的向量，pooling方法。
或者预测边或者预测全局，都可以通过汇聚操作
GNN图：
缺点：这样3个MLP并没有输入图的结构信息，没有给网络哪个顶点和哪个边之间连接。没啥用，不合理。
解决方法：信息传递
把每一个向量和其邻居的节点向量相加再传给MLP，再经过f。
这种操作和标准图片卷积核求和有点像
边和顶点之间的信息传递，用于预测位置的属性。
交替交换
U可以设想一个虚拟的点和所有顶点和边相连，汇聚也可以是拼接
调参
