最近参加了百度的图神经网络课程，在这里分享一些心得体会~

一、课程介绍

百度的PGL团队

day1：图学习初印象
图学习概述、入门路线
实践：环境搭建

 

day2：图游走类模型
DeepWalk、node2vec、metapath2vec、metapath2vec 变种模型
实践：DeepWalk, node2vec

 

day3：图神经网络算法（一）
GCN、GAT、消息传递机制
实践：GCN、GAT

 

day4：图神经网络算法（二）
图采样、邻居聚合
实践：GraphSage

 

day5：GNN进阶
ERNIESage, UniMP
实践：ERNIESage代码讲解

 

day6：新冠疫苗项目拔高实战，助力疫情防控！

 

参考链接：

斯坦福CS224W课程：http://cs224w.stanford.edu
图学习库 PGL：https://github.com/PaddlePaddle/PG

二、PGL框架介绍

Paddle Graph Learning (PGL)是一个基于PaddlePaddle的高效易用的图学习框架。

PGL框架上手比较快，使用框架最核心的步骤就是自己定义好消息传递就好了。

参考链接：

https://github.com/PaddlePaddle/PGL/blob/main/README.zh.md

 

三、一些心得体会

1. 关于一些图神经网络的基本理论的介绍，小斯妹老师介绍的真的非常通俗易懂，想入门图神经网络的小伙伴可以去学习一下，而且百度的aistudio还提供了超强GPU算力，非常适合我们进行高效的学习，力荐！！！

这是课程的视频链接：https://www.bilibili.com/video/BV1rf4y1v7cU

这是课程的ppt链接：https://github.com/PaddlePaddle/PGL/tree/main/course

这是aistudio的链接：https://aistudio.baidu.com/aistudio/index

2. 第一节课才知道，图神经网络竟然还能用在3D目标检测上。

点云：是通过激光点云获得的，每一个点包含有三维坐标，有些可能含有颜色信息或反射强度信息。

我们设置一个阈值，如果点云中某两个点的距离小于这个阈值，则视这个点之间存在边。这样我们就能构造出一张图了。

接下来，利用图神经网络，我们可以让它输出每个点所属的对象，并给出bounding box，这样就实现了3D目标检测，3D目标检测主要是用在自动驾驶上的，这对于后续自动驾驶场景中的路径规划和控制具有至关重要的作用。

 

3.还有一个有意思的应用是气味识别：

这个研究的主要是通过分子结构去预测气味。

4. 关于node2vec，是在deepwalk的基础上进行改进的，因为deepwalk只是相当于是一个可以回头的DFS，而node2vec既会进行DFS，也会进行BFS随机游走。

5.图卷积网络讲的挺形象的，跟着小斯妹老师的讲解真的是秒懂，之前看了一些相关的讲解也没搞太懂。

比如说公式里面的AH相当于是在图里面找出相邻的结点再进行消息传递。

而D矩阵的作用是给边加权，比如一个结点的度越大，说明它对你自己的传递的信息越有限，因此我们要将它的边权设置小一些。

6. PinSAGE 按照游走的经过的频率选取邻居，也就是说，可能原本是二阶或者三阶的邻居，但是经过它们的频率比较高，也可以把它们看作是1阶邻居。

7. 还有两个百度自研的模型，理解不是很深，这里就不说了，反正很厉害就对了。

四、比赛

一个利用图神经网络进行结点分类的比赛：

附上比赛链接：https://aistudio.baidu.com/aistudio/competition/detail/59

理论上用上百度的UniMP效果应该是最好的。

五、总结

经过了这次7日打卡营的活动让我对图神经网络领域有了比较深入的了解.也希望以后可以有更多类似的机会可以学习到更多深度学习的内容,也希望飞桨可以越来越好。