[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dair-ai--GNNs-Recipe":3,"tool-dair-ai--GNNs-Recipe":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":77,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":85,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":105},8608,"dair-ai\u002FGNNs-Recipe","GNNs-Recipe","🟠 A study guide to learn about Graph Neural Networks (GNNs)","GNNs-Recipe 是一份专为图神经网络（GNN）初学者打造的系统性学习指南。面对 GNN 这一在复杂图数据应用中飞速发展的领域，许多学习者往往苦于缺乏清晰的学习路径和高质量的资源汇总。GNNs-Recipe 正是为了解决这一痛点而生，它将分散的优质内容整合成一张简洁的“食谱”，帮助用户高效入门并紧跟前沿进展。\n\n这份指南非常适合希望系统掌握 GNN 的学生、开发者以及研究人员使用。其内容编排循序渐进：从 Petar Veličković等权威专家的视频讲解和 Distill 出版的直观文章入手，建立温和的入门认知；进而推荐经典的综述论文，构建宏观知识框架；随后引导用户深入阅读几何深度学习专著及斯坦福 CS224W 等顶尖课程，夯实理论基础。\n\n除了理论资源，GNNs-Recipe 还极具实用价值，它整理了 Papers with Code 社区的最新模型实现、基准测试与数据集，并推荐了 PyTorch Geometric、Deep Graph Library 等主流开发工具库。此外，项目还提供了基于 Colab 的实战教程，让用户能立即动手代码实践。无论是想快速了解概念，还是致力","GNNs-Recipe 是一份专为图神经网络（GNN）初学者打造的系统性学习指南。面对 GNN 这一在复杂图数据应用中飞速发展的领域，许多学习者往往苦于缺乏清晰的学习路径和高质量的资源汇总。GNNs-Recipe 正是为了解决这一痛点而生，它将分散的优质内容整合成一张简洁的“食谱”，帮助用户高效入门并紧跟前沿进展。\n\n这份指南非常适合希望系统掌握 GNN 的学生、开发者以及研究人员使用。其内容编排循序渐进：从 Petar Veličković等权威专家的视频讲解和 Distill 出版的直观文章入手，建立温和的入门认知；进而推荐经典的综述论文，构建宏观知识框架；随后引导用户深入阅读几何深度学习专著及斯坦福 CS224W 等顶尖课程，夯实理论基础。\n\n除了理论资源，GNNs-Recipe 还极具实用价值，它整理了 Papers with Code 社区的最新模型实现、基准测试与数据集，并推荐了 PyTorch Geometric、Deep Graph Library 等主流开发工具库。此外，项目还提供了基于 Colab 的实战教程，让用户能立即动手代码实践。无论是想快速了解概念，还是致力于深入研究，GNNs-Recipe 都能成为你探索图神经网络世界的得力助手。","# Graph Neural Networks (GNNs) Study Guide\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdair-ai_GNNs-Recipe_readme_f6b602c617d3.jpeg)\n\nGraph neural networks (GNNs) are rapidly advancing progress in ML for complex graph data applications. I've composed this concise recipe (i.e., studysheet) dedicated to students who are lookin to learn and keep up-to-date with GNNs. It's non-exhaustive but it aims to get students familiar with the topic. \n\n## ⭐ Gentle Introduction to GNNs\n\nThere are several introductory content to learn about GNNs. The following are some useful ones:\n\n🔗 [Foundations of GNNs](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uF53xsT7mjc) (by Petar Veličković)\n\n🔗 [Gentle Introduction to GNNs](https:\u002F\u002Fdistill.pub\u002F2021\u002Fgnn-intro\u002F) (by Distill)\n\n🔗 [Understanding Convolutions on Graphs](https:\u002F\u002Fdistill.pub\u002F2021\u002Funderstanding-gnns\u002F) (by Distill)\n\n🔗 [Math Behind Graph Neural Networks](https:\u002F\u002Frish-16.github.io\u002Fposts\u002Fgnn-math\u002F) (by Rishabh Anand)\n\n🔗 [Graph Convolutional Networks](http:\u002F\u002Ftkipf.github.io\u002Fgraph-convolutional-networks\u002F) (by Thomas Kipf)\n\n🔗[Graph Neural Networks for Geometric Graphs - Chaitanya K. Joshi, Simon V. Mathis](https:\u002F\u002Fyoutu.be\u002FVKj5wzZsoK4)\n\n\n## 📘 Survey Papers on GNNs\n\nHere are two fantastic survey papers on the topic to get a broader and concise picture of GNNs and recent progress:\n\n🔗 [Graph Neural Networks: A Review of Methods and Applications](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.08434) (Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun)\n\n🔗 [Graph Neural Networks: Methods, Applications, and Opportunities](https:\u002F\u002Farxiv.org\u002Fabs\u002F2108.10733) (Lilapati Waikhom, Ripon Patgiri)\n\n🔗 [A Comprehensive Survey on Graph Neural Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.00596) (Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu)\n\n\n## 👩‍💻 Diving Deep into GNNs\n\nAfter going through quick high-level introductory content, here are some great material to go deep:\n\n🔗 [Geometric Deep Learning](https:\u002F\u002Fgeometricdeeplearning.com\u002F) (by Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković)\n\n🔗 [Graph Representation Learning Book](https:\u002F\u002Fwww.cs.mcgill.ca\u002F~wlh\u002Fgrl_book\u002F) (by William Hamilton)\n\n🔗 [CS224W: ML with Graphs](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn) (by Jure Leskovec)\n\n## 📚 GNN Papers and Implementations\n\nIf you want to keep up-to-date with popular recent methods and paper implementations for GNNs, the Papers with Code community maintains this useful collection:\n\n🐙 [Graph Models by Papers with Code](https:\u002F\u002Fpaperswithcode.com\u002Fmethods\u002Fcategory\u002Fgraph-models)\n\n## 📈 Benchmarks and Datasets\n\nIf you are interested in benchmarks\u002Fleaderboards and graph datasets that evaluate GNNs, the Papers with Code community also maintains such content here:\n\n🔗 [Datasets by Papers with Code](https:\u002F\u002Fpaperswithcode.com\u002Fdatasets?mod=graphs&page=1)\n\n🔗 [Graph Benchmarks by Papers with Code](https:\u002F\u002Fpaperswithcode.com\u002Farea\u002Fgraphs)\n\n## :octocat: Tools\n\nHere are a few useful tools to get started with GNNs:\n\n🔥 [PyTorch Geometric](https:\u002F\u002Fpytorch-geometric.readthedocs.io\u002Fen\u002Flatest\u002F#)\n\n🔗 [Deep Graph Library](https:\u002F\u002Fwww.dgl.ai\u002F)\n\n🦒 [jraph](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fjraph)\n\n🟠 [Spektral](https:\u002F\u002Fgraphneural.network\u002F)\n\n## 🍎 Tutorials\n\nI will be posting several tutorials on GNNs, here is the first of the series. More coming soon!\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd>Introduction to GNNs with PyTorch Geometric\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1d0jLDwgNBtjBVQOFe8lO_1WrqTVeVZx9?usp=sharing\">\n  \u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" width = '' >\n\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n---\nTo get regular updates on new ML and NLP resources, follow me on [Twitter](https:\u002F\u002Ftwitter.com\u002Fomarsar0).\n","# 图神经网络（GNNs）学习指南\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdair-ai_GNNs-Recipe_readme_f6b602c617d3.jpeg)\n\n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。\n\n## ⭐ GNNs 简介\n\n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：\n\n🔗 [GNNs 基础](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uF53xsT7mjc)（由 Petar Veličković 演讲）\n\n🔗 [GNNs 轻松入门](https:\u002F\u002Fdistill.pub\u002F2021\u002Fgnn-intro\u002F)（由 Distill 发布）\n\n🔗 [理解图上的卷积](https:\u002F\u002Fdistill.pub\u002F2021\u002Funderstanding-gnns\u002F)（由 Distill 发布）\n\n🔗 [图神经网络背后的数学原理](https:\u002F\u002Frish-16.github.io\u002Fposts\u002Fgnn-math\u002F)（由 Rishabh Anand 撰写）\n\n🔗 [图卷积网络](http:\u002F\u002Ftkipf.github.io\u002Fgraph-convolutional-networks\u002F)（由 Thomas Kipf 撰写）\n\n🔗[用于几何图的图神经网络 - Chaitanya K. Joshi、Simon V. Mathis](https:\u002F\u002Fyoutu.be\u002FVKj5wzZsoK4)\n\n\n## 📘 GNNs 综述论文\n\n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：\n\n🔗 [图神经网络：方法与应用综述](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.08434)（Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun）\n\n🔗 [图神经网络：方法、应用与机遇](https:\u002F\u002Farxiv.org\u002Fabs\u002F2108.10733)（Lilapati Waikhom, Ripon Patgiri）\n\n🔗 [图神经网络综合综述](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.00596)（Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu）\n\n\n## 👩‍💻 深入探索GNNs\n\n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：\n\n🔗 [几何深度学习](https:\u002F\u002Fgeometricdeeplearning.com\u002F)（由 Michael M. Bronstein、Joan Bruna、Taco Cohen、Petar Veličković 编写）\n\n🔗 [图表示学习书籍](https:\u002F\u002Fwww.cs.mcgill.ca\u002F~wlh\u002Fgrl_book\u002F)（由 William Hamilton 撰写）\n\n🔗 [CS224W: 图上的机器学习](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn)（由 Jure Leskovec 主讲）\n\n## 📚 GNNs 论文与实现\n\n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：\n\n🐙 [Papers with Code 的图模型](https:\u002F\u002Fpaperswithcode.com\u002Fmethods\u002Fcategory\u002Fgraph-models)\n\n## 📈 基准测试与数据集\n\n如果你对评估GNNs的基准测试\u002F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：\n\n🔗 [Papers with Code 的数据集](https:\u002F\u002Fpaperswithcode.com\u002Fdatasets?mod=graphs&page=1)\n\n🔗 [Papers with Code 的图基准测试](https:\u002F\u002Fpaperswithcode.com\u002Farea\u002Fgraphs)\n\n## :octocat: 工具\n\n以下是一些开始使用GNNs时非常有用的工具：\n\n🔥 [PyTorch Geometric](https:\u002F\u002Fpytorch-geometric.readthedocs.io\u002Fen\u002Flatest\u002F#)\n\n🔗 [Deep Graph Library](https:\u002F\u002Fwww.dgl.ai\u002F)\n\n🦒 [jraph](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fjraph)\n\n🟠 [Spektral](https:\u002F\u002Fgraphneural.network\u002F)\n\n## 🍎 教程\n\n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！\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd>使用 PyTorch Geometric 学习 GNNs 入门\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1d0jLDwgNBtjBVQOFe8lO_1WrqTVeVZx9?usp=sharing\">\n  \u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" width = '' >\n\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n---\n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](https:\u002F\u002Ftwitter.com\u002Fomarsar0) 上的账号。","# GNNs-Recipe 快速上手指南\n\nGNNs-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。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐), macOS, 或 Windows (建议使用 WSL2)\n*   **Python 版本**：Python 3.8 - 3.10\n*   **前置依赖**：\n    *   PyTorch (深度学习框架)\n    *   CUDA (可选，用于 GPU 加速，需与 PyTorch 版本匹配)\n*   **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。\n\n## 安装步骤\n\nGNNs-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。\n\n### 1. 安装 PyTorch\n首先访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 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）：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n# 或使用国内镜像源（如清华源）\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装 PyTorch Geometric\n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。\n\n**通用安装命令（自动匹配版本）：**\n```bash\npip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https:\u002F\u002Fdata.pyg.org\u002Fwhl\u002Ftorch-2.0+cu118.html\n```\n*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`）。*\n\n**若使用国内镜像源加速基础包：**\n```bash\npip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https:\u002F\u002Fdata.pyg.org\u002Fwhl\u002Ftorch-2.0+cu118.html -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **其他推荐工具**：你也可以选择安装 [Deep Graph Library (DGL)](https:\u002F\u002Fwww.dgl.ai\u002F) 或 [Spektral](https:\u002F\u002Fgraphneural.network\u002F)，具体安装请参考其官方文档。\n\n## 基本使用\n\n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。\n\n### 简单示例：构建 GCN 模型\n\n```python\nimport torch\nfrom torch_geometric.nn import GCNConv\n\n# 定义一个简单的两层 GCN 模型\nclass GCN(torch.nn.Module):\n    def __init__(self, num_node_features, hidden_channels, num_classes):\n        super(GCN, self).__init__()\n        # 第一层卷积：输入特征 -> 隐藏层特征\n        self.conv1 = GCNConv(num_node_features, hidden_channels)\n        # 第二层卷积：隐藏层特征 -> 输出类别\n        self.conv2 = GCNConv(hidden_channels, num_classes)\n\n    def forward(self, x, edge_index):\n        # x: 节点特征矩阵 [num_nodes, num_node_features]\n        # edge_index: 边索引矩阵 [2, num_edges]\n        \n        x = self.conv1(x, edge_index)\n        x = torch.relu(x)\n        x = torch.dropout(x, p=0.5, training=self.training)\n        x = self.conv2(x, edge_index)\n        return x\n\n# 模拟数据\nnum_nodes = 10\nnum_features = 16\nnum_classes = 4\n\nx = torch.randn(num_nodes, num_features)\nedge_index = torch.randint(0, num_nodes, (2, 20)) # 随机生成 20 条边\n\n# 初始化模型并运行\nmodel = GCN(num_features, 32, num_classes)\nout = model(x, edge_index)\n\nprint(f\"输出形状：{out.shape}\") # 预期输出：[10, 4]\n```\n\n### 进阶学习资源\n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：\n*   **交互式教程**：[Introduction to GNNs with PyTorch Geometric (Google Colab)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1d0jLDwgNBtjBVQOFe8lO_1WrqTVeVZx9?usp=sharing)\n*   **经典课程**：Stanford CS224W: ML with Graphs\n*   **权威书籍**：Graph Representation Learning (by William Hamilton)\n*   **最新论文与代码**：Papers with Code - Graph Models","某高校研究生李明正在开展基于图神经网络的药物分子性质预测研究，急需系统掌握 GNN 理论并快速复现前沿模型。\n\n### 没有 GNNs-Recipe 时\n- 在海量论文与教程中迷失方向，难以区分入门资料与深度综述，浪费大量时间筛选低质内容。\n- 缺乏权威的学习路径指引，从基础数学推导到几何深度学习之间出现知识断层，导致理解不透彻。\n- 寻找适配的代码库和基准数据集如同大海捞针，常因版本不兼容或文档缺失而陷入环境配置泥潭。\n- 面对快速迭代的学术界，无法及时获取最新的 SOTA 方法实现，实验方案容易过时。\n\n### 使用 GNNs-Recipe 后\n- 直接跟随 curated 的“温和入门”清单，按顺序观看 Petar Veličković等大佬的视频与 Distill 文章，高效建立知识框架。\n- 依据“深入探索”板块精读 William Hamilton 的专著与斯坦福 CS224W 课程，无缝衔接从理论到几何深度学习的进阶路径。\n- 利用推荐的 PyTorch Geometric 和 Deep Graph Library 等工具链接，配合 Papers with Code 提供的标准数据集，一天内即可完成环境搭建并跑通基线。\n- 通过集成的最新论文实现集合与基准排行榜，迅速锁定当前最优模型架构，显著提升了实验设计的起点与创新性。\n\nGNNs-Recipe 将碎片化的学习资源转化为结构化的成长食谱，帮助研究者从迷茫的探索者蜕变为高效的实践者。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdair-ai_GNNs-Recipe_7bbf66ed.png","dair-ai","DAIR.AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdair-ai_38e7eafe.png","Democratizing Artificial Intelligence Research, Education, and Technologies",null,"dair_ai","https:\u002F\u002Fwww.dair.ai\u002F","https:\u002F\u002Fgithub.com\u002Fdair-ai",1288,129,"2026-04-17T08:29:37","CC0-1.0",1,"","未说明",{"notes":89,"python":87,"dependencies":90},"该仓库主要是一个学习指南和资源列表，而非可直接运行的单一软件工具。文中列出了多个第三方库（如 PyTorch Geometric, DGL 等）作为学习工具，具体的运行环境需求取决于用户选择使用的特定库或教程（例如 Colab 笔记本）。建议参考各子项目的官方文档以获取详细的系统要求。",[91,92,93,94],"PyTorch Geometric","Deep Graph Library","jraph","Spektral",[14,16],[97,98,99,100,101],"graph-neural-networks","deep-learning","machine-learning","graph","graph-convolutional-networks","2026-03-27T02:49:30.150509","2026-04-18T02:22:24.878875",[],[]]