从深度学习到图神经网络：模型与实践 pdf下载

1. 本书从深度学习到图神经网络，涉及的理论知识全面细致，内含数学基础、优化算法、卷积神经网络、表示学习、嵌入表示、空域图卷积神经网络、谱域图卷积神经网络等。
2.本书写作风格通俗易懂，可读性非常高，图文并茂、深入浅出。即使是没有基础的高校学生和AI初阶从业者，也能很容易地通过本书入门，降低了前沿知识的学习门槛。
3.本书内含数十个代码范例，所有代码片段均可获得，学习过程中可以同时上机实践，效率倍增。同时本书还附赠学习视频等资源，方便读者辅助学习。

近年来，深度学习在人工智能的发展过程中起到了举足轻重的作用，而图神经网络是人工智能领域的一个新兴方向，被称为图上的深度学习。

本书详细介绍了从深度学习到图神经网络的基础概念和前沿技术，包括图上的深度学习、图神经网络的数学基础、神经网络学习与算法优化、深度学习基础、神经网络中的表示学习、面向图数据的嵌入表示、初代图神经网络、空域及谱域图卷积神经网络等内容。为增强可读性，本书叙述清晰、内容深入浅出、图文并茂，力求降低初学者的学习难度。

本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。

张玉宏，博士毕业于电子科技大学，大数据分析师（高级），2009—2011年美国西北大学访问学者，2019—2020年美国IUPUI高级访问学者，CCF郑州分部执行委员，CFF公益大使。现执教于河南工业大学，主要研究方向为人工智能、大数据等。发表学术论文30余篇，先后撰写《深度学习之美：AI时代的数据处理与最佳实践》《Python极简讲义：一本书入门数据分析与机器学习》等科技图书15部。

杨铁军，博士，教授，博士生导师，河南省电子学会副理事长，河南省高等学校电子信息类专业教学指导委员会副主任委员，河南省数字政府建设专家委员会委员。主要研究方向：医学图像处理、粮食信息处理。

图神经网络是近年来的热门研究方向之一。进入大语言模型时代，如何继续开展相关的研究，备受业界关注。本书系统介绍了从深度学习到图神经网络的发展历程、代表性模型及前沿进展，对于想要了解和学习图神经网络的高校师生、工程师来说，颇具参考价值。

王昊奋，同济大学百人计划特聘研究员、博士生导师、OpenKG联合创始人

相比于只处理向量和矩阵等结构化数据的传统神经网络，图神经网络能够更好地处理复杂的非结构化数据，并在许多领域有着广泛应用。本书在介绍图神经网络时理论与实践并重、深入且易读，同时结合前沿，使人眼界开阔。相信这本书会让人工智能领域的专业人员，以及对图上深度学习感兴趣的高校科研人员获益。

李鑫，科大讯飞AI研究院副院长、科研部部长

近年来，图深度学习获得了学术界的广泛关注，并在工业界的许多应用中取得了革命性的进展。本书详细介绍了图深度学习的相关知识，包括基础概念和前沿算法，深入浅出，图文并茂，具有较强的可读性。本书对图深度学习的初学者非常友好，适合相关领域的研发人员阅读、学习和探索。

王怡琦，国防科技大学计算机学院助理研究员

张玉宏博士是我认识多年的老朋友。他所著多本科技类图书均以可读性强、通俗易懂著称，这本《从深度学习到图神经网络：模型与实践》依然延续了这个风格。无论是想进行AI前沿科学普及，还是想提升自己的图神经网络学术水平，都适合阅读本书！

July，七月在线创始人兼CEO、CSDN千万级流量博主

第1章 图上的深度学习 1

1.1 人工智能与深度学习 2

1.2 图神经网络时代的来临 6

1.3 图数据处理面临的挑战 9

1.4 图神经网络的应用层面 12

1.5 图神经网络的发展简史 15

1.6 图神经网络的模块与分类 20

1.7 本章小结 23

参考资料 24

第2章 图神经网络的数学基础 27

2.1 矩阵论基础 28

2.2 图论基础 43

2.3 谱图论基础 65

2.4 本章小结 80

参考资料 80

第3章 神经网络学习与算法优化 82

3.1 人工神经网络的缘起 83

3.2 神经网络的第一性原理 84

3.3 感知机模型与前馈神经网络 87

3.4 更强表征能力的多层感知机 91

3.5 不可或缺的激活函数 93

3.6 损失函数 100

3.7 神经网络的训练 105

3.8 优化算法的分类 109

3.9 本章小结 112

参考资料 113

第4章 深度学习基础 115

4.1 深度学习时代的兴起 116

4.2 卷积神经网络 118

4.3 可圈可点的卷积层 120

4.4 降维减负的汇聚层 131

4.5 不可或缺的全连接层 135

4.6 防止过拟合 136

4.7 本章小结 143

参考资料 143

第5章 神经网络中的表示学习 145

5.1 表示学习的背景 146

5.2 离散表示与独热编码 148

5.3 分布式表示与神经网络 150

5.4 自编码器中的表示学习 153

5.5 嵌入表示与Word2vec 161

5.6 词嵌入实战 171

5.7 本章小结 179

参考资料 180

第6章 面向图数据的嵌入表示 182

6.1 图嵌入概述 183

6.2 DeepWalk的原理 184

6.3 基于DeepWalk的维基百科相似网页检测 198

6.4 LINE模型 208

6.5 Node2vec 211

6.6 Metapath2vec 215

6.7 本章小结 218

参考资料 219

第7章 初代图神经网络 221

7.1 初代图神经网络的诞生 222

7.2 GNN中的数据聚合 222

7.3 初代GNN的工作原理 225

7.4 初代图神经网络的局限性 235

7.5 本章小结 235

参考资料 236

第8章 空域图卷积神经网络 238

8.1 图卷积神经网络概述 239

8.2 MPNN模型 244

8.3 GCN与CNN的关联 245

8.4 图卷积节点分类实践 248

8.5 GraphSAGE 263

8.6 基于GraphSAGE的实践 273

8.7 本章小结 283

参考资料 284

第9章 谱域图卷积神经网络 286

9.1 傅里叶变换 287

9.2 图傅里叶变换 2909.3 谱域视角下的图卷积 296

9.4 基于谱域GCN的演进 300

9.5 Karate Club图卷积分类实践 308

9.6 本章小结 323

参考资料 323

做一名有趣的知识搬运工

很多年前有句广告语——“我们不生产水，我们只是大自然的搬运工”，令我印象深刻。

我之所以会对它印象深刻，是因为我也是一名“搬运工”，套用那句广告词：“我不生产知识，我只是知识的搬运工。”

这个定位和我的职业是匹配的。我是一名教师，传道授业解惑，本就是在传播价值、传递知识，而这些价值和知识大多数都不是教师自己创造和生成的。

然而，要想做一名有趣的知识搬运工也是不容易的。因为先把知识搞明白，再把知识给他人讲明白，并尽量有趣，也需要做时间的朋友——这些经验都需要通过大量的时间来慢慢积累。

如果只是搬运简单的知识，自然不足挂齿。但问题是，如果我们搬运的知识是当前领域的前沿知识呢？这就很具有挑战性了，它需要你走出已有知识的舒适区，挑战未知。

深度学习和图神经网络是人工智能研究的前沿，作为一名相关领域的终身学习者，不掌握岂不可惜？但如何能快速掌握图神经网络的基础理论呢？我想到了费曼学习法。

费曼学习法告诉我们：只有你给别人讲清楚了，你才能理解得更透彻（If you can't explain it simply, you don't understand it well enough.）。

很早以前我就领略过费曼学习法的精妙所在——输出倒逼输入，为了更好地输出，学习者就会强迫自己认真地去学。这个方法论让我受益颇多，前些年我撰写过不少颇受好评的图书，如《品味大数据》《深度学习之美：AI时代的数据处理与最佳实践》《Python极简讲义：一本书入门数据分析与机器学习》《人工智能极简入门》等，事实上它们都是这个方法论麾下的产品。

这次也不例外。《从深度学习到图神经网络：模型与实践》就是一本“为知识传递而作”的图书，这就注定了它的风格——通俗易懂，循序渐进。对于初学者来说，你会读出亲切感、舒适感——这便是我这名“知识搬运工”刻意营造的氛围，希望对你有益，也希望你喜欢。

本书内容

本书主要介绍图神经网络的基础知识和前沿技术。全书共分9章，每章的内容简介如下。

第1章为图上的深度学习。

本章会对深度学习和图神经网络做系统性梳理，以期给读者带来宏观认知。本章首先简要介绍人工智能与深度学习，然后介绍图神经网络时代，分析图数据处理面临的挑战和图神经网络的应用，并简要总结图神经网络的发展史，以及图神经网络的模块与分类。

第2章为图神经网络的数学基础。

本章主要讨论矩阵论、图论及谱图论等基础数学知识。这些基础数学知识将为我们进一步理解神经网络与图神经网络提供必要的理论支撑。图是研究图神经网络的基础工具，很多图神经网络算法就是通过分析图的拉普拉斯矩阵的特征值及特征向量，来研究图性质的。

第3章为神经网络学习与算法优化。

本章主要讨论神经网络的基础知识，内容包括前馈神经网络、多层感知机、激活函数、损失函数等。本章首先回顾神经网络的第一性原理，然后探讨增强神经网络表达能力的激活函数，最后讨论神经网络的训练和优化算法的分类。

第4章为深度学习基础。

本章主要介绍深度学习中的经典模型——卷积神经网络（CNN）。卷积的本质就是对数据进行特征提取。对于CNN，我们首先讲解卷积的含义，然后讨论卷积神经网络的网络结构层次（卷积层、汇聚层和全连接层），这里的各种“层”都是对数据实施某种变换或加工的，都是为最后的分类或回归任务服务的。

第5章为神经网络中的表示学习。

本章以由浅入深的方式介绍神经网络中可能用到的表示学习方法，内容包括离散表示与独热编码、分布式表示与神经网络、自编码器中的表示学习、嵌入表示与Word2vec，以及一个通俗易懂的词嵌入实战案例。

第6章为面向图数据的嵌入表示。

图的嵌入表示是将图中节点映射为低维空间向量的一种表示学习方法，它是图神经网络的重要基础，很多图相关的任务都是基于图的嵌入表示而展开的。本章主要介绍经典的图嵌入表示方法，包括DeepWalk、LINE、Node2vec及Metapath2vec。

第7章为初代图神经网络。

本章主要介绍初代图神经网络的理论基础，是它拉开了图神经网络研究的序幕。本章首先介绍GNN中的数据聚合、初代GNN的工作原理（包括不动点理论、压缩映射实现的条件等），然后介绍初代图神经网络的局限性，以及为改善这种局限性而产生的各种算法。

第8章为空域图卷积神经网络。

本章首先介绍图卷积神经网络，然后介绍MPNN模型，讨论GCN与CNN的关联，并对图卷积节点分类进行编程实践，讨论GraphSAGE的工作原理，最后基于GraphSAGE进行编程实践，以提升读者对空域图卷积神经网络的感性认识。

第9章为谱域图卷积神经网络。

本章首先讨论傅里叶变换与图傅里叶变换的基础知识，然后介绍谱域视角下的图卷积、基于谱域GCN的演进，最后用一个分类实践提升读者对谱域图卷积神经网络的感性认识。