百度AIstudio图神经网络七日打卡营笔记

GNN（图神经网络）的相关研究越来越热，也已经有很多非常成熟的GNN算法成功落地到工业界，而国内的百度就是在这一方面是走在前列的。不仅有顶会文章，刷榜的模型，还有各种落地的场景，所以这个训练营的含金量绝对不是问题。
正如我们在数据结构课程中会学习的图一样，图是由一些边和节点组成的数据结构。以及之前学过的深度优先和广度优先算法在GNN中也会有所涉及。
图的基本表示方法
图 G=(V, E) 构成要素：
节点（verticle）：V=1,…,n；
边：E⊆V×V；
边 (i,j) ∈ E 连接了节点 i 和 j
i 和 j 被称为相邻节点（neighbor）
节点的度（degree）：指相邻节点的数量。
图是完备的（complete）：所有节点都具备所有可能的连接方式。
从i到j的路径（path）：从i到达j的边的序列，路径的长度（length）等于所经过的边的数量。
图的直径（diameter）：连接任意两个节点的所有最短路径中最长路径的长度。
测地路径（geodesic path）：两个节点之间的最短路径。
当然还有一些其他概念，这里不一一介绍，毕竟这门课的重点是GNN。

话不多说，上代码

!pip install pgl

import pgl
from pgl import graph  # 导入 PGL 中的图模块
import paddle.fluid as fluid # 导入飞桨框架
import numpy as np

def build_graph():
    # 定义图中的节点数目，我们使用数字来表示图中的每个节点
    num_nodes = 10

    # 定义图中的边集
    edge_list = [(2, 0), (2, 1), (3, 1),(4, 0), (5, 0),
             (6, 0), (6, 4), (6, 5), (7, 0), (7, 1),
             (7, 2), (7, 3), (8, 0), (9, 7)]

    # 随机初始化节点特征，特征维度为 d
    d = 16
    feature = np.random.randn(num_nodes, d).astype("float32")

    # 随机地为每条边赋值一个权重
    edge_feature = np.random.randn(len(edge_list), 1).astype("float32")

    # 创建图对象，最多四个输入
    g = graph.Graph(num_nodes = num_nodes,
                    edges = edge_list,
                    node_feat = {'feature':feature},
                    edge_feat ={'edge_feature': edge_feature})

    return g

g = build_graph()

pgl是百度的图学习框架，在AIstudio没有内置，每次运行需要重新安装一次。
上面的代码就定义了一个图。
chrome-extension://bocbaocobfecmglnmeaeppambideimao/pdf/viewer.html?file=https%3A%2F%2Fbaidu-pgl.gz.bcebos.com%2Fpgl-course%2Flesson_3.pdf
这个链接是课程PPT的PDF版本，我觉得老师讲的非常好
所有课程视频和PPT都可以在https://github.com/PaddlePaddle/PGL/tree/main/course这个链接里找到
具体代码可以在AIstudio官网找到，欢迎加入课程和我们一起学习。
课程链接https://aistudio.baidu.com/aistudio/education/group/info/1956