圖神經網絡基礎、模型與應用實戰

目    錄

第1章  圖神經網絡概述 1

1.1  什麽是圖神經網絡 1

1.1.1  圖的基礎知識 1

1.1.2  圖神經網絡簡介 2

1.1.3  圖神經網絡的應用領域 3

1.2  圖神經網絡的重要性 4

1.3  圖神經網絡與傳統深度學習的區別 5

1.3.1  傳統深度學習模型 6

1.3.2  圖神經網絡與傳統深度學習的區別 8

第2章  PyTorch開發環境搭建 10

2.1  Anaconda的安裝和配置 10

2.2  PyCharm的安裝和配置 12

2.3  PyTorch Geometric的安裝和配置 13

2.3.1  查看系統支持的CUDA版本 14

2.3.2  下載最新的Navida顯卡驅動 14

2.3.3  下載CUDA Toolkit 14

2.3.4  cuDNN的安裝 16

2.3.5  安裝PyTorch框架虛擬環境 17

2.3.6  檢查PyTorch框架的安裝 18

2.3.7  安裝圖神經網絡庫 19

2.3.8  使用Jupyter Notebook運行代碼 20

第3章  數據集的獲取與加載 22

3.1  PyTorch Geometric內置數據集 22

3.1.1  PyTorch Geometric簡介 22

3.1.2  PyG內置數據集簡介 23

3.1.3  如何加載內置數據集 24

3.2  自定義數據集 25

3.2.1  torch_geometric.data.Dataset類 25

3.2.2  torch_geometric.data.DataLoader類 28

3.2.3  如何加載自定義數據集 29

3.3  數據集預處理步驟 31

3.3.1  圖像數據預處理 31

3.3.2  圖數據預處理 41

第4章  圖神經網絡模型 45

4.1  圖捲積神經網絡 46

4.1.1  圖捲積神經網絡的起源和發展 46

4.1.2  圖捲積神經網絡與捲積神經網絡的異同 46

4.1.3  圖捲積神經網絡簡單代碼實現 47

4.1.4  捲積神經網絡簡單代碼示例 49

4.1.5  圖捲積神經網絡的應用領域 50

4.2  圖註意力網絡 51

4.2.1  圖註意力網絡的由來和發展 51

4.2.2  圖註意力網絡模型代碼實現 51

4.2.3  圖註意力網絡的應用領域 53

4.3  圖自編碼器 54

4.3.1  圖自編碼器的由來和發展 54

4.3.2  圖自編碼器代碼實現 54

4.3.3  圖自編碼器的應用領域 56

4.4  圖生成網絡 57

4.4.1  圖生成網絡的由來和發展 57

4.4.2  圖生成網絡代碼實現 57

4.4.3  圖生成網絡的應用領域 59

第5章  圖神經網絡在自然語言處理領域的應用 60

5.1  基於圖神經網絡的文本分類實現 60

5.1.1  問題描述 61

5.1.2  導入數據集 61

5.1.3  詞嵌入 63

5.1.4  構造鄰接矩陣 64

5.1.5  構建圖數據 66

5.1.6  圖的小型批處理 68

5.1.7  圖捲積神經網絡 69

5.1.8  模型訓練與測試 70

5.2  基於圖神經網絡的情感分析實現 71

5.2.1  問題描述 72

5.2.2  導入數據集 72

5.2.3  詞嵌入 74

5.2.4  語法依存樹 74

5.2.5  圖的小型批處理 76

5.2.6  圖神經網絡的構造 77

5.2.7  模型訓練與測試 78

5.3  基於圖神經網絡的機器翻譯實現 79

5.3.1  基於語法感知的圖神經網絡編碼器用於機器翻譯 80

5.3.2  利用圖捲積神經網絡挖掘機器翻譯中的語義信息 80

5.3.3  示例總結 80

第6章  圖神經網絡在電腦視覺領域的應用 81

6.1  基於圖神經網絡的圖像分類實現 82

6.1.1  基於端到端的圖神經網絡模型的圖像分類 82

6.1.2  基於區域的圖神經網絡模型的圖像分類 93

6.2  基於圖神經網絡的目標檢測實現 117

6.2.1  圖神經網絡的目標檢測方法及其優缺點 117

6.2.2  GSDT目標檢測的步驟 118

6.2.3  問題描述 120

6.2.4  導入數據集 120

6.2.5  模型搭建 120

6.2.6  模型訓練與測試 121

6.3  基於圖神經網絡的圖像生成實現 122

6.3.1  基於草圖組合與圖像匹配的圖像生成 122

6.3.2  基於圖神經網絡的場景圖生成 125

6.3.3  基於圖捲積神經網絡從場景圖生成圖像 126

第7章  圖神經網絡在推薦系統領域的應用 153

7.1  基於圖神經網絡的用戶興趣建模實現 154

7.2  基於圖神經網絡的推薦算法實現 155

7.3  基於圖神經網絡的廣告推薦實現 156

7.3.1  數據預處理 157

7.3.2  模型定義 161

7.3.3  參數設置 165

7.3.4  模型訓練與測試 168

7.3.5  結果 173

第8章  圖神經網絡在社交網絡領域的應用 174

8.1  基於圖神經網絡的社交網絡分析實現 174

8.1.1  問題描述 174

8.1.2  導入數據集 175

8.1.3  模型搭建 176

8.1.4  模型訓練與測試 177

8.1.5  示例總結 178

8.2  基於圖神經網絡的社交網絡關系預測實現 180

8.2.1  問題描述 180

8.2.2  導入數據集 181

8.2.3  模型搭建 182

8.2.4  模型訓練與測試 183

8.2.5  示例總結 186

8.3  基於圖神經網絡的社交網絡推薦實現 190

8.3.1  問題描述 190

8.3.2  導入數據集 190

8.3.3  模型搭建 192

8.3.4  模型訓練與測試 193

8.3.5  示例總結 195

第9章  圖神經網絡的挑戰和機遇 197

9.1  圖神經網絡的發展歷程和現狀 197

9.1.1  圖神經網絡的分類 198

9.1.2  經典的圖神經網絡模型 198

9.2  圖神經網絡的技術挑戰和應用機遇 202

9.3  圖神經網絡的未來發展方向和熱點問題 203