强烈安利开源学习社区Datawhale！附上github地址：datawhale
系列文章为Datawhale六月组队学习笔记，对课程内容有所引用。
一共7个task，历时一个月。没想到最后能坚持下来，感谢领航员的鼓励、超棒的船长和组员、还有大群里面良好的学习氛围哈哈哈。
TASK1 简单图论与环境配置与PyG库
强烈建议使用天池大赛DSW，减少花在配置上的时间。
TASK2 消息传递范式
了解消息传递图神经网络、MessagePassing基类。
PS：消息传递图神经网络是指遵循“消息传递范式”的图神经网络。
TASK3 基于图神经网络的节点表征学习
着重介绍了GCN和GAT来预测节点标签，对比MLP 多层感知器，前者性能优越。
TASK4 节点预测与边预测任务实践
1.通过继承InMemoryDataset类，来自定义一个数据完全存于内存的数据集类。
2.节点预测实践、边预测实践。
TASK5 超大图上的节点表征学习
存在问题：普通训练方法无法训练超大图的问题
解决方案：Cluster-GCN论文提出一种节点表征方法。
TASK6 基于图神经网络的图表征学习方法
主要学习图同构网络的基本思路，图同构测试方法(WL Test)，衡量两个图的相似性(Subtree Kernel)。
TASK7 超大规模数据集类的创建与图预测任务实践
1.在PyG中，我们通过继承torch_geometric.data.Dataset基类来自定义一个按需加载样本到内存的数据集类。
2.图预测实践任务。
总的来说，课程内容确实硬核，对于工作党来说，后续还需要多花点时间去深入了解。
|