图神经网络PPT

百度网盘链接：链接：https://pan.baidu.com/s/1h485Kl1ZU7E00LXzWn72jg?pwd=5757
提取码：5757

• 纯原创，自制ppt以及文稿

1 图神经网络ppt

• 预览图
  

2 图神经网络稿

老师好！（点）

接下来，我主要分为四个部分来介绍图神经网络（点）

首先，第一个部分：什么是图（点）

图简单来说，是表示一些实体之间关系的一种数据结构，实体在图中用节点表示，它们之间的关系用边表示。如图就是是一个含有5个节点，6条边的图。此外，根据边是否具备有向性，还将图划分为有向图和无向图。（点）

在该图中一共有四层，每层之间都有交互功能（点）

比如第二层是由第三层的五个点交互而来的（点）

第一层是由，第二层和第三层的点，交互而来的，所有只要层次够深，一个顶点可以处理到大范围图里面的节点信息，这也是图神经网络是如何利用结构化来处理信息的（点）

接下来，来看一下图神经网络是如何将图片表示成图的（点）

在卷积神经网络中，我们会将一个RGB图片表示成一个张量，但是在图神经网络中，我们将每一个像素映射为图中的一个节点，相邻像素之间视为有连接关系，这种连接关系映射为图中的一条边，如图所示，通过一个邻接矩阵来表示这种映射关系，横轴和纵轴均为像素的标号，两个像素之间存在连接关系时便标为蓝色。（点）

在该图的左边是图片，右边表示的是邻接矩阵，0-0表示第0行第0列，
有三条边表示成他的邻居（点）

同样道理，我们来看中间的点，2-2，对应的就是第二行第二列，上下左右一共八条边都是表示成邻居，中间的是邻接矩阵，蓝色表示顶点之间是有边的，白色表示没有边的，可以看见，这是一个非常稀疏化的矩阵（点）

不仅仅是图片，文本也可以认为是一条序列，可以把其中每一个词，都表示成一个顶点，那么一个词和下一个词之间都有一条有向边，（点）

第三部分：在机器学习中使用图的挑战（点）

把数据表示成图之后，在图层面上的任务是，有一张原始的图，识别哪个是有两个环的，哪个是有仅有一个环的，然后对图进行分类（点）

在顶点层面：可以对点进行分类，该图主要是判断点，到底是属于绿色阵营的还是红色阵营的（点）

在边层面：先通过语义分割，把人物和背景都分割出来之后（点）

判断人与人之间是什么样的人物关系，然后再将边上的属性给预测出来（点）

接下来让我们具体看看到底什么是图神经网络呢（点）

首先，图的四种属性是非常重要的：节点，边，全局信息，和连接性。前三者只要各自采用特征向量的形式就可以与神经网络相兼容了，但是连接性表征的是哪两个节点之间有连接关系，这用向量并不容易表示。（点）

一种想法是用上面提到的邻接矩阵来表示连接性，但是邻接矩阵的大小是节点数×节点数的方阵，当节点数很大的时候会给存储带来麻烦，并且在邻接矩阵中很多节点直接并没有连接关系，是一个稀疏矩阵，但是，稀疏矩阵对于GPU而言难以高效计算。（点）

所以又提出了，一种高效表示稀疏矩阵的方法，就使用邻接列表，如图所示，该图共有8个节点，为了方便，每个节点和每条边都用一个标量值表示。邻接列表的长度和边的个数是相同的，邻接列表中每一个元素表示的是一条边的两个节点的标号。值得注意的是，邻接列表中元素的顺序，与边中元素的顺序是一致的。（点）

最简单的版本是这样构造的，对于顶点向量，边向量和全局向量，分别构造一个MLP，就是多层感知机，如图所属，U就表示全局，V表示顶点，E表示边，多层感知机的输入大小和输出大小是一样的。将输入图的属性向量传入对应的MLP，输出得到更新后的属性，如图所示，输出图相较于输入图仅仅是属性的值被更新，但是图的结构并未发生变化（点）

以对节点信息进行“二分类”任务为例，将最后一层输出的图中的节点向量传入全连接层，经过全连接层即可输出每个节点的预测结果。比如我们在后面就加一个输出维度为2的全连接层，然后再加一个softmax就会得到一个二分类的输出了，如果做的是n类的话，那么就做一个输出大小维度为n的一个全连接层，就会得到多类输出（点）

还有一种特殊情况是节点没有向量信息，但是边都具有向量信息，如果仍然要对节点做预测，就要采用一种称为“汇聚”(pooling)的技术。pooling操作首先将与该节点相连接的边向量取出，另外还要取全局图向量，然后对这些向量进行加和的操作得到一个新的向量，这个向量作为这个节点的向量信息。但是注意，这里我们默认节点、边、全局图向量的维度都是相同的，所以可直接进行加和操作，如果不相同，需要先投影变换到节点向量的维度。（点）

如图展示了所搭建的最简单的图神经网络进行端到端预测的流程。（点）

接着我们通过采用“消息传递”来实现对信息连接性的利用，如图所示：首先收集要更新的节点和其邻节点，然后求和，得到一个汇聚的向量，再把这个汇聚的向量输入已更新节点的多层感知机层，就会得到这个点向量的更新，这就是最简单形式的消息传递。（点）

在图中彼此距离较远的节点可能永远无法有效地相互传递信息，因此解决这个问题的一个办法是使用图的全局U表示，它与网络中的所有节点和边相连，可以作为它们之间传递信息的桥梁，为整个图建立起一个表示。（点）

到这里，我们可以发现，消息传递似乎与卷积有异曲同工之妙。在卷积神经网络中，我们通过卷积核的滑动，对像素进行加权求和，且随着卷积层的叠加，特征图一个特征点所对应的原图感受野会越来越大；同理，在消息传递中，我们只进行了求和，所以可以看成是权重均为1的卷积操作，图神经网络层叠加的越多，最后一层图中一个节点汇聚原图中的节点也就越多，这样就完成了较长距离的信息传递过程。（点）

以上就是关于图神经网络的汇报（点）