图神经网络（GNNs）学习指南

图神经网络（GNNs）正在推动机器学习在复杂图数据应用领域的快速发展。我编写了这份简洁的学习指南，专为希望学习并紧跟GNNs最新进展的学生们准备。虽然内容并不全面，但旨在帮助学生快速熟悉这一领域。

⭐ GNNs 简介

有许多入门级资料可以帮助你了解GNNs。以下是一些有用的资源：

🔗 GNNs 基础（由 Petar Veličković 演讲）

🔗 GNNs 轻松入门（由 Distill 发布）

🔗 理解图上的卷积（由 Distill 发布）

🔗 图神经网络背后的数学原理（由 Rishabh Anand 撰写）

🔗 图卷积网络（由 Thomas Kipf 撰写）

🔗用于几何图的图神经网络 - Chaitanya K. Joshi、Simon V. Mathis

📘 GNNs 综述论文

以下是两篇关于GNNs的优秀综述论文，可以帮助你更全面、简洁地了解GNNs及其最新进展：

🔗 图神经网络：方法与应用综述（Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun）

🔗 图神经网络：方法、应用与机遇（Lilapati Waikhom, Ripon Patgiri）

🔗 图神经网络综合综述（Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu）

👩‍💻 深入探索GNNs

在快速浏览了高层次的入门内容后，以下是一些深入学习的优质材料：

🔗 几何深度学习（由 Michael M. Bronstein、Joan Bruna、Taco Cohen、Petar Veličković 编写）

🔗 图表示学习书籍（由 William Hamilton 撰写）

🔗 CS224W: 图上的机器学习（由 Jure Leskovec 主讲）

📚 GNNs 论文与实现

如果你想及时了解GNNs领域流行的最新方法及论文实现，Papers with Code 社区维护了一个非常实用的合集：

🐙 Papers with Code 的图模型

📈 基准测试与数据集

如果你对评估GNNs的基准测试/排行榜以及图数据集感兴趣，Papers with Code 社区也在此处维护了相关资源：

🔗 Papers with Code 的数据集

🔗 Papers with Code 的图基准测试

:octocat: 工具

以下是一些开始使用GNNs时非常有用的工具：

🔥 PyTorch Geometric

🔗 Deep Graph Library

🦒 jraph

🟠 Spektral

🍎 教程

我将发布一系列关于GNNs的教程，这是该系列的第一篇。更多内容即将推出！

使用 PyTorch Geometric 学习 GNNs 入门

---

如需定期获取新的机器学习和自然语言处理资源更新，请关注我在 Twitter 上的账号。

GNNs-Recipe 快速上手指南

GNNs-Recipe 是一份专为学习者整理的图神经网络（GNN）学习清单与资源导航。它本身不是一个单一的代码库，而是一套涵盖从入门教程、综述论文到核心工具链的完整学习路径。本指南将帮助你快速搭建 GNN 开发环境并获取核心学习资源。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux (推荐), macOS, 或 Windows (建议使用 WSL2)
• Python 版本：Python 3.8 - 3.10
• 前置依赖：
  • PyTorch (深度学习框架)
  • CUDA (可选，用于 GPU 加速，需与 PyTorch 版本匹配)
• 网络环境：部分资源托管于 GitHub 或 Google Colab，国内访问可能需要加速工具或使用镜像源。

安装步骤

GNNs-Recipe 推荐了多个主流 GNN 开发库，其中 PyTorch Geometric (PyG) 是最常用且社区最活跃的工具。以下是基于 PyTorch Geometric 的安装流程。

1. 安装 PyTorch

首先访问 PyTorch 官网 获取适合你环境的安装命令。若使用国内镜像加速，可参考以下示例（以 CUDA 11.8 为例）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 或使用国内镜像源（如清华源）
pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 PyTorch Geometric

安装 PyG 及其依赖（torch-scatter, torch-sparse 等）。为避免编译错误，建议直接安装预编译的二进制包。

通用安装命令（自动匹配版本）：

pip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-2.0+cu118.html

注意：请将上述命令中的 torch-2.0+cu118 替换为你实际安装的 PyTorch 版本和 CUDA 版本（例如 torch-1.13+cu117）。

若使用国内镜像源加速基础包：

pip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-2.0+cu118.html -i https://pypi.tuna.tsinghua.edu.cn/simple

其他推荐工具：你也可以选择安装 Deep Graph Library (DGL) 或 Spektral，具体安装请参考其官方文档。

基本使用

安装完成后，你可以利用 PyTorch Geometric 快速构建一个简单的图卷积网络（GCN）。以下是一个最小化的示例，演示如何定义模型并进行前向传播。

简单示例：构建 GCN 模型

import torch
from torch_geometric.nn import GCNConv

# 定义一个简单的两层 GCN 模型
class GCN(torch.nn.Module):
    def __init__(self, num_node_features, hidden_channels, num_classes):
        super(GCN, self).__init__()
        # 第一层卷积：输入特征 -> 隐藏层特征
        self.conv1 = GCNConv(num_node_features, hidden_channels)
        # 第二层卷积：隐藏层特征 -> 输出类别
        self.conv2 = GCNConv(hidden_channels, num_classes)

    def forward(self, x, edge_index):
        # x: 节点特征矩阵 [num_nodes, num_node_features]
        # edge_index: 边索引矩阵 [2, num_edges]
        
        x = self.conv1(x, edge_index)
        x = torch.relu(x)
        x = torch.dropout(x, p=0.5, training=self.training)
        x = self.conv2(x, edge_index)
        return x

# 模拟数据
num_nodes = 10
num_features = 16
num_classes = 4

x = torch.randn(num_nodes, num_features)
edge_index = torch.randint(0, num_nodes, (2, 20)) # 随机生成 20 条边

# 初始化模型并运行
model = GCN(num_features, 32, num_classes)
out = model(x, edge_index)

print(f"输出形状：{out.shape}") # 预期输出：[10, 4]

进阶学习资源

完成环境搭建后，建议访问 GNNs-Recipe 推荐的以下核心资源进行深入实践：

• 交互式教程：Introduction to GNNs with PyTorch Geometric (Google Colab)
• 经典课程：Stanford CS224W: ML with Graphs
• 权威书籍：Graph Representation Learning (by William Hamilton)
• 最新论文与代码：Papers with Code - Graph Models