cnn神经网络可以用于数据拟合吗_图神经网络基本理论、研究及应用

如果把深度学习看作一部要素过多的大片，那么，它有两条主线，跟着这两条主线走就不会跑偏。一条主线叫卷积神经网络，简称CNN，主要用于图像类数据的处理。另一条主线叫循环神经网络，简称RNN，主要用于时序类数据的处理。“时序类数据”这种叫法大家也许很陌生，不过肯定都见过，主要就是指文本类数据和音频类数据。CNN和RNN共同搭建起深度学习的稳固框架。

毕竟机器学习的神经网络算法正是深度学习发家的根本，和CNN、RNN一样，GNN全名图神经网络(Graph Nerual Network)，GNN关键在于打首的G，GNN之所以重要，是因为图很重要。

图是计算机科学里的一种非常重要的数据结构。GNN里的“图”，正是指图论的“图”。图神经网络并不是图与机器学习的第一次结合，机器学习在此之前已经大量使用了这个重要的数据结构。机器学习众多的模型中，有一个重要的大类，叫概率图模型(PGM)，名字叫得很形象，这类模型就是用图来表示变量与变量之间转移的概率关系。

不过，虽然名字都有“图”字，但概率图模型和这里要介绍的图神经网络，有着本质的不同。深度学习的每一款经典模型，背后都有一篇经典的论文，GNN的那篇经典论文可以参阅《Semi-SupervisedClassification with Graph Convolutional Networks》。

什么是图呢？一种集合论的定义方法G=(V, E)表达的意思就是：图是顶点和边的集合，就是GNN的G，意思是Graph(图)，V就是前面的Vertex(顶点)，E就是前面的Edge(边)。图的应用非常广，网络拓扑图就是一种非常典型的图结构。星形、环形、总线形，无论哪种，所谓的顶点，就是网络拓扑图里面的节点，譬如网络拓