百度图--神经网络7日打卡营--学习心得

一、百度神经网络7日打卡营–课程详情

1 教学大纲

1.1、图学习初印象

• 图学习概述、入门路线
• 作业：安装环境，跑通 example 代码。

1.2、图游走类模型

• DeepWalk、node2vec、metapath2vec、metapath2vec 变种模型
• 实践：DeepWalk代码解析
• 作业：以填空的方式完成 node2vec 模型复现

1.3、图神经网络算法（一）

• GCN、GAT、消息传递机制
• 实践：GCN代码解析
• 作业：以填空的方式完成 GAT 模型复现

1.4 图神经网络算法（二）

• 图采样技术、图聚合技术
• 实践：讲解 GraphSage 代码
• 作业：以填空的方式完成GraphSage模型复现

1.5、图神经网络进阶模型讲解

• ERNIESage、UniMP
• 实践：ERNIESage代码讲解 大
• 作业：完成比赛 六、新冠疫苗项目拔高实战，助力疫情防控！

2. 课程目标

2.1 带领初学者入门图学习

2.2 学会图领域相关的经典算法：DeepWalk、node2vec、GCN、GAT、GraphSage

2.3 了解图神经网络领域的前沿研究方向，掌握部分进阶 GNN 模型

课程网页链接：
课程页面图片如下：

二、资源列表

很多人找不到资源地址，为了便于大家快速定位资源，本人在此总结了一点资源链接，便于大家学习。

2.1视频、课件、原码

直播视频：

• 直播回放链接：https://www.bilibili.com/video/BV1rf4y1v7cU
• PGL代码仓库：https://github.com/PaddlePaddle/PGL

PPT课件：
常见问题汇总地址：https://aistudio.baidu.com/aistudio/projectdetail/1259681
论文： 论文后续统一上传百度云分享。

2.2 课程配套博客：

下面是本人阅读论文时，随手写的博客，为了便于交流，便献丑于此，有不到之处欢迎大家海涵、批评指正。

• GCN：Semi-Supervised Classification with Graph Convolutional Networks
  博客：https://blog.csdn.net/LIYUO94/article/details/106526955
  代码解析：https://blog.csdn.net/LIYUO94/article/details/106595594

• GAT：Graph Attention Network
  博客：https://blog.csdn.net/LIYUO94/article/details/105187349

• GraphSage：Inductive Representation Learning on Large Graphs

博客：https://zhuanlan.zhihu.com/p/62750137

代码解析：https://blog.csdn.net/LIYUO94/article/details/105764536

三、本人作业情况

3.1 作业一：运行GCN和DeepWalk

该是关于安装和运行的问题，细心一点，认真阅读相关文档，其实还是挺简单的。关键要沉下心，耐心阅读、耐心将问题一个一个解决。
作业得分：

心得： 做这个作业，我做的过程还是挺快的，解决问题、查阅资料、运行代码前后差不多40分钟就做好了，这也得益于我以前踩的坑，才会如此快。但是，我看群里还有很多人遇到了很多问题，此时已凌晨，看到大家为了学习这么积极，于是此人连夜写了该节课的一个博客，便于大家早点部署好环境。
博客链接：https://blog.csdn.net/LIYUO94/article/details/110016974

今天，翻阅课程心得区域https://aistudio.baidu.com/aistudio/education/group/info/1956，发现一篇博客和我前半部分长得很像，仔细一看，哈哈，有点欣慰，有有点忧伤。欣慰的是他对我的博客补充了一点，方便了大家，忧伤的是，没有看到对我的参考和引用。哈哈，貌似他应该还获得了奖励吧，小伙运气比我还是要好一点，不过能帮助到人家是最值得欣慰的事了，但行好事，莫问前程。

3.2 作业二：图游走算法核心代码实现

作业得分：

心得： 初次实践深入Deepwork，经过小斯妹的直播讲解和与群友的探讨，扩宽了deepwork的学习、了解了他的实现。摸索到半夜，终于弄清并完成作业。

3.3 作业三：图游走算法核心代码实现 GCN+GAT

作业得分：

心得： 这个作业完成还得比较快，得益于之前阅读的论文和代码，对GCN和GAT的思想有所把控，公式也了然于胸，实战起来还是比较快，不过也得益于课程代码的详细注解，Deepwork没有注解，属实阅读起开比较困难。

3.4作业四： GCN+GATGraphSage的采样聚合

作业得分：
心得： graphsage本人以前也是有了解过、也阅读过原码，但是没有跑过（毕竟家境贫寒），此次也就是换一个框架实现而已，思想是一样的。总体比较顺利，分数也还看的过去，当然，分数其实是一个摆设，重要的是自己花了时间，要所收获，要有获得感！

3.5 作业五： 比赛

哈哈，这里就不说了，时间有限，还有要务在身，后续补充。
本人暂时排名：