阐述我在本文将问那些不熟知图或图神经网络的AI／ML／CV的用户一般来说不会回答的问题。我获取了Pytorch的例子来回应这种比较精致和令人兴奋的模型背后的思路。

我在本部分教程中明确提出的问题是：为什么图这种数据结构简单？为什么在图上定义卷积是艰难的？什么使神经网络沦为图神经网络？为了问这些问题，我将获取激励性的示例、论文和python代码，使其沦为图神经网络（GNNs）的教程。读者必须一些基本的机器学习和计算机视觉科学知识，但是，我随着我的描写我也不会获取一些背景和直观的说明。首先，让我们非常简单总结一下什么是图？图是由有向／无向边相连的一组节点（顶点）。

节点和边一般来说来自于关于问题的一些专家科学知识或直觉。因此，它可以是分子中的原子、社交网络中的用户、交通系统中的城市、团队运动中的运动员、大脑中的神经元、动态物理系统中的相互作用对象、图像中的像素、边界板或拆分感测器。换言之，在许多实际情况下，实质上是您要求了什么是图中的节点和边。

在许多实际情况下，实质上是你来要求图中的节点和边是什么。这是一个非常灵活的数据结构，它总结了许多其他的数据结构。例如，如果没边，那么它就沦为一个子集；如果只有“横向”边，并且任何两个节点正好由一条路径相连，那么我们就有一棵树。这种灵活性是好的和怕的，我将在本教程中辩论。

1．为什么图这种数据结构简单？在计算机视觉（cv）和机器学习（ml）的背景下，研究图形和借此自学的模型最少可以给我们带给四个益处：1．1我们可以更加相似解决问题以前太具挑战性的最重要问题，例如：癌症的药物找到（Veselkov等人，Nature，2019）；更佳地解读人脑连接体（Diez＆Sepulcre，NatureCommunications，2019）；能源和环境挑战的材料找到（Xie等人，大自然通讯，2019）。1．2在大多数cv／ml应用程序中，数据实质上可以看做是图，即使您曾多次将它们回应为另一个数据结构。

将你的数据表示为图形可以给你带给很多灵活性，并且可以给你一个十分有所不同和有意思的视角来看来你的问题。例如，您可以从“超级像素”自学，而不是从图像像素自学，如（Liang等人，ECCV2016）和我们将要公开发表的BMVC论文中所述。图还容许您在数据中产生一种关系概括偏差－一些关于该问题的先验科学知识。

例如，如果你想要对人体姿势展开推理小说，你的关系偏差可以是人体骨骼关节的图（Yan等人，AAAI，2018）；或者如果你想要对视频展开推理小说，你的关系偏差可以是移动边界板的图（Wang＆Gupta，ECCV2018）。另一个例子是将面部地标回应为图（Antonakos等人，CVPR，2015），以对面部属性和身份展开推理小说。1．3您最喜欢的神经网络本身可以看做是一个图，其中节点是神经元，边是权重，或者节点是层，边回应向前／向后传送的流（在这种情况下，我们辩论的是在tensorflow、pytorch和其他dl框架中用于的计算出来图）。

应用程序可以是计算出来图的优化、神经结构搜寻、分析训练不道德等。1．4最后，您可以更加有效地解决问题许多问题，其中数据可以更加大自然地回应为图形。

这还包括但不仅限于分子和社会网络分类（Knyazevetal．，Neurips－W，2018）和分解（Simonovsky＆Komodakis，ICANN，2018）、三维网格分类和对应（Feyetal．，CVPR，2018）和分解（Wangetal．，ECCVV，2018）、动态交互对象的建模不道德（Kipfetal．，ICML，2018），视觉场景图建模（闻将要开会的ICcv研讨会）和解说（Narasimhan，Neurips，2018），程序制备（Allamanis等人，ICLR，2018），有所不同的增强自学任务（Bapst等人，ICML，2019）和许多其他令人兴奋的问题。由于我之前的研究是关于辨识和分析面部和情绪的，所以我尤其讨厌下面这个图。2．为什么在图上定义卷积是艰难的？为了问这个问题，我首先得出了一般用于卷积的一些动机，然后用图的术语来叙述“图像上的卷积”，这应当使向“图上的卷积”的过渡性更为光滑。

2．1为什么卷积简单？让我们解读为什么我们如此关心卷积，为什么我们想要它来绘制图形。与几乎相连的神经网络（a．k．a．nns或mlps）比起，卷积网络（a．k．a．cnns或convnets）具备以下根据一辆可爱的老雪佛兰的图像说明的某些优点。首先，ConvNets利用图像中的大自然先验，在（Bronstein等人，2016）中回应展开了更加月的叙述，例如1．旋转不变性－如果我们将右图中的汽车向左／向右／向下／向上旋转，我们依然应当需要将其辨识为汽车。通过在所有方位分享过滤器，即应用于卷积，可以利用这一点。

2．方位－附近的像素密切涉及，一般来说代表某种语义概念，例如滚轮或窗户。通过用于比较较小的滤波器可以利用这一点，该滤波器可以捕捉局部空间邻域中的图像特征。

3．构成性（或层次结构）－图像中较小的区域一般来说是其包括的较小区域的语义父级。例如，汽车是车门、车窗、车轮、驾驶员等的父对象，而驾驶员是头部、手臂等的父对象。

这是通过变换卷积层和应用于池隐式利用的。

本文来源：as真人游戏-www.1070graphics.com