Datawhale 6月学习：图神经网络小结

概述

这次学习历时约一个月，从图论基础入手，先学习了消息传递图神经网络，以熟悉PyG库的使用及图神经网络的基本消息传递范式；接着学习了节点表征学习，边预测学习，及图表征学习三类基本的图学习任务的实现；在此过程中也穿插学习了数据的不同存储方式，以应对不同数据量的任务。

简单回顾

所涉及笔记及简介如下：

1. 图神经网络：图数据表示及应用
   在这一部分主要学习了图论基础知识。
2. 图神经网络：消息传递图神经网络
   在这一部分，学习了图神经网络的基本消息传递范式，同时通过覆写MassagePassing类的练习，熟悉了PyG库的使用。
3. 图神经网络：基于GNN的节点表征学习
   这一部分接触了图神经网络的第一类任务：节点表征学习，并进行了一个简单图神经网络的搭建，熟悉了Pytorch模型基本搭建的方式，并尝试更换不同的图卷积层进行实验。
4. 图神经网络：基于GNN的节点预测任务及边预测任务
   这一部分接触了图神经网络的第二类任务：边预测。进行了简单图神经网络的搭建，并尝试更换不同的图卷积层及设定不同的层数。在这一部分使用了Sequential容器，这一容器在许多深度学习模型中应用广泛。
5. 图神经网络：超大图上的节点表征学习
   这一部分主要是为了应对数据量更大的任务，所谓深度学习，并不仅仅是搭建模型这么简单，在训练时也需要考虑数据量的大小及设备的合理利用。在这一部分我们学习了应对数据量极大的节点表征学习的训练方式，并进行了基于cluster-GCN的节点表征学习。
6. 图神经网络：基于图神经网络的图表征学习
   这一部分接触了图神经网络的第三类任务：图表征学习。进行了简单图神经网络的搭建，理解了图嵌入的理论和方法。
7. 图神经网络：图预测任务实践
   这一部分紧接着上一部分，进行了图表征学习的任务实践，此处同时学习了按需读取数据集的方式，并完成了一个比较完整的图预测任务。

此处引用开营ppt的小结，用作回顾备忘

后续学习内容

此次学习是图神经网络的简单入门和探索。在Datawhale的帮助下，我对图神经网络及其应用建立了一个比较系统的初步认知，在群里大佬的推荐下，随后预备进一步学习：

1. 《图深度学习》
2. 宾夕法尼亚大学《图神经网络》课程等。