【图深度学习】GCN（图卷积网络）学习从0到1

1 前言

  图神经网络是近几年乃至以后非常热门的一个研究方向，这不仅体现在图深度学习的理论算法研究，还体现在图神经网络的应用方面。每当各大顶会一放榜有关图神经网络算法研究的论文在数量方面肯定排名前几。我自己研究图神经网络也有一段时间了，一直不知道该如何去解读图神经网络，所以这个文章一直是空的。最近在这上面有了一些想法，所以打算出一个系列文章把这一块的知识弄清楚。系列文章主要分三大块第一块是基础篇：主要讲一下图神经网络的内核即：图神经网络是怎么来的以及相较于传统卷积神经网络GCN是如何解决的不规则图上的卷积问题。除此之外，图的池化问题是如何解决的。掌握了这两个内核就把握住了图神经网络的理论基础。当然，图神经网络的内核还有待于进步，这一块的内容先按下不表在以后码字的过程中娓娓道来。第二块内容是理论篇：主要讲一下图神经网络的推导过程傅里叶变换和拉普拉斯变换与图卷积网络的爱恨情仇，为什么图上要进行这种变化，以及为什么Kipf大神的GCN是基于谱域的等等吧。第三块主要是应用了（实战篇），讲一下基于Pytorch的源代码和基于dgl和pyg两个库如何去调包获取还会解读一下pyg中的源码。设想很美好，现实不允许，搁置这么久现在来填坑。

2 如何做图的卷积

这一块的内容可以看博客的专题，在此不再赘述。下面讲一下GCN的不足。

3 GCN的局限性

  GCN是处理transductive任务的一把利器（transductive任务是指：训练阶段与测试阶段都基于同样的图结构），然而GCN有两大局限性是经常被诟病的：

• （a）无法完成inductive任务，即处理动态图问题。inductive任务是指：训练阶段与测试阶段需要处理的graph不同。通常是训练阶段只是在子图（subgraph）上进行，测试阶段需要处理未知的顶点。（unseen node）

• （b）处理有向图的瓶颈，不容易实现分配不同的学习权重给不同的neighbor。这一点在前面的文章中已经讲过了，不再赘述，如有需要可以参考下面的链接。

4 参考文献

[1]PyTorch学习笔记(四)：构建神经网络
[2]十分钟理解Scipy.csc_matrix和coo_matrix
[3]【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
[4]Graph Convolution Network图卷积网络（二）数据加载与网络结构定义
[5]Graph Convolution Network图卷积网络（一）训练运行与代码概览
[6]【Pytorch学习】用pytorch搭建第一个神经网络
[7]GCN论文源码（pytorch）超级详细注释讲解！
[8]https://codechina.csdn.net/mirrors/tkipf/pygcn?utm_source=csdn_github_accelerator
[9]GCN图卷积网络入门详解
[10]三篇论文带你入门GCN图卷积网络
[11]GCNConv (torch.geometric)源码详细解读
[12]向往的GAT(图注意力网络的原理、实现及计算复杂度)