PyTorch 深度学习和图神经网络

（卷1）/基础知识 （卷2）/开发应用
李金洪 著

第三篇 提高——图神经网络

第9章 快速了解图神经网络——少量样本也可以训练模型



9.1 快速了解图神经网络——少量样本也可以训练模型

9.1.1 欧式空间与非欧式空间（Page270）
9.1.2 图（Page270）
9.1.3 图相关的术语和度量（Page270）
9.1.4 图神经网络（Page271）
9.1.5 GNN的动机（Page271）

9.2 矩阵的基础

9.2.1 转置矩阵（Page272）
9.2.2 对称矩阵极其特性（Page272）
9.2.3 对角矩阵与单位矩阵（Page272）
9.2.4 哈达马积（Page273）
9.2.5 点积（Page273）
9.2.6 对角矩阵的特性与操作（Page273， 274）
9.2.7 度矩阵与邻接矩阵（Page275）

9.3 邻接矩阵的几种操作（Page275）

9.3.1 获取有向图的短边和长边（Page276）
9.3.2 将有向图的邻接矩阵转成无向图的邻接矩阵（Page277）
9.4 实例26：用卷积神经网络为论文分类

9.4.1 CORA数据集（Page278）
9.4.2 代码实现：引入基础模块并设置运行环境（Page279）
9.4.3 代码实现：读取并解析论文数据（Page279， 280）
9.4.4 代码实现：读取并解析论文关系数据（Page281， 282）
9.4.5 代码实现： 加工图结构的矩阵数据（Page283）
9.4.6 代码实现： 将数转为张量，并分配运算资源（Page284）
9.4.7 代码实现：定义Mish激活函数与图卷积操作类（Page284， 285）
9.4.8 代码实现：搭建多层图卷积网络（Page286）
9.4.9 代码实现：用Ranger优化器训练模型并可视化结果
（ Page287， 288, 289， 290）


 

9.5 图卷积神经网络

9.5.1 图结构与拉普拉斯矩阵的关系（Page290）
9.5.2 拉普拉斯矩阵的三种形式（Page291）

9.6 扩展实例：用Multi-sample Dropout优化模型的训练速度 （Page291）

9.6.1 Multi-sampl Dropout方法（Page292）
9.6.2 代码实现：为图卷积模型添加Multi-sample Dropout方法（Page292）
9.6.3 代码实现：使用带有Multi-sample Dropout方法的图卷积模型（Page293）

9.7 从神经网络的视角看待深度学习（Page294）

9.8 图神经网络使用拉普拉斯矩阵的原因

9.8.1 节点与邻接矩阵的点积作用（Page295）
9.8.2 拉普拉斯矩阵的点积作用（Page296）
9.8.3 重新审视图卷积的拟合本质（Page296）
9.8.4 点积计算并不是唯一方法（Page296）

 

 

 

 

 

 

 

 

 

 

返回首页