[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dsgiitr--graph_nets":3,"tool-dsgiitr--graph_nets":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",150720,2,"2026-04-11T11:33:10",[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":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":77,"difficulty_score":32,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":130},6694,"dsgiitr\u002Fgraph_nets","graph_nets","PyTorch Implementation and Explanation of Graph Representation Learning papers: DeepWalk, GCN, GraphSAGE, ChebNet & GAT.","graph_nets 是一个基于 PyTorch 构建的开源项目，旨在通过代码实现与详细解析，帮助开发者深入理解图表示学习（Graph Representation Learning）的核心算法。它涵盖了 DeepWalk、GCN、GraphSAGE、ChebNet 以及 GAT 等五篇里程碑式论文的实现，有效解决了图神经网络领域理论深奥、复现难度大以及从非欧几里得数据中提取特征复杂等痛点。\n\n该项目不仅提供了清晰可运行的 Python 代码，还配套了系列技术博客和 Jupyter Notebook 教程，将抽象的数学原理转化为直观的编程实践。其独特亮点在于采用了“论文 + 博客 + 代码”三位一体的教学模式：既保留了学术严谨性，又通过类似 NLP 中 word2vec 的类比（如 DeepWalk）或注意力机制的可视化（如 GAT），让复杂的谱图理论和归纳式学习框架变得通俗易懂。\n\ngraph_nets 非常适合人工智能研究人员、高校学生以及希望进阶图深度学习技能的开发者使用。无论是想要快速复现经典模型进行实验对比，还是希望系统性地掌握图卷积网络背后的设计思想，都能从中获得极大帮助。","graph_nets 是一个基于 PyTorch 构建的开源项目，旨在通过代码实现与详细解析，帮助开发者深入理解图表示学习（Graph Representation Learning）的核心算法。它涵盖了 DeepWalk、GCN、GraphSAGE、ChebNet 以及 GAT 等五篇里程碑式论文的实现，有效解决了图神经网络领域理论深奥、复现难度大以及从非欧几里得数据中提取特征复杂等痛点。\n\n该项目不仅提供了清晰可运行的 Python 代码，还配套了系列技术博客和 Jupyter Notebook 教程，将抽象的数学原理转化为直观的编程实践。其独特亮点在于采用了“论文 + 博客 + 代码”三位一体的教学模式：既保留了学术严谨性，又通过类似 NLP 中 word2vec 的类比（如 DeepWalk）或注意力机制的可视化（如 GAT），让复杂的谱图理论和归纳式学习框架变得通俗易懂。\n\ngraph_nets 非常适合人工智能研究人员、高校学生以及希望进阶图深度学习技能的开发者使用。无论是想要快速复现经典模型进行实验对比，还是希望系统性地掌握图卷积网络背后的设计思想，都能从中获得极大帮助。对于初学者而言，这是一座连接理论知识与工程落地的坚实桥梁；对于资深从业者，它也是一份高质量的参考实现库，助力高效开展前沿探索。","\u003Ch1 align=\"center\"> Graph Representation Learning \u003C\u002Fh1>\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Fdsgiitr.in\u002Fimages\u002Fwork\u002Fgraph_nets.svg\">\n\nThis repo is a supplement to our blog series *Explained: Graph Representation Learning*. The following major papers and corresponding blogs have been covered as part of the series and we look to add blogs on a few other significant works in the field.\n\n\n\u003Ch2> Setup \u003C\u002Fh2>\n\nClone the git repository :\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets.git\n```\n\nPython 3 with Pytorch 1.3.0 are the primary requirements. The `requirements.txt` file contains a listing of other dependencies. To install all the requirements, run the following:\n\n`pip install -r requirements.txt`\n\n\u003Ch2 align=\"center\"> 1. Understanding DeepWalk \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" height=\"120x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_16ee8cde3f4f.png\">\n\nUnsupervised online learning approach, inspired from word2vec in NLP, but, here the goal is to generate node embeddings.\n- [DeepWalk Blog](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fdeepwalk)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FDeepWalk\u002FDeepWalk_Blog%2BCode.ipynb)\n- [Code](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FDeepWalk\u002FDeepWalk.py)\n- [Paper -> DeepWalk: Online Learning of Social Representations](https:\u002F\u002Farxiv.org\u002Fabs\u002F1403.6652)\n\n\n\u003Ch2 align=\"center\"> 2. A Review : Graph Convolutional Networks (GCN) \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_544351f0d07e.png\">\n\nGCNs draw on the idea of Convolution Neural Networks re-defining them for the non-euclidean data domain. They are  convolutional, because filter parameters are typically shared over all locations in the graph unlike typical GNNs. \n- [GCN Blog](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fgcn)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGCN\u002FGCN_Blog%2BCode.ipynb)\n- [Code](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGCN\u002FGCN.py)\n- [Paper -> Semi-Supervised Classification with Graph Convolutional Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n\n\n\u003Ch2 align=\"center\"> 3. Graph SAGE(SAmple and aggreGatE) \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_e9bb91a70ef9.jpg\">\n\nPrevious approaches are transductive and don't naturally generalize to unseen nodes. GraphSAGE is an inductive framework leveraging node feature information to efficiently generate node embeddings.\n- [GraphSAGE Blog](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fgraphsage)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGraphSAGE\u002FGraphSAGE_Code%2BBlog.ipynb)\n- [Code](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGraphSAGE\u002FGraphSAGE.py)\n- [Paper -> Inductive Representation Learning on Large Graphs](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.02216)\n\n\n\u003Ch2 align=\"center\"> 4. ChebNet: CNN on Graphs with Fast Localized Spectral Filtering \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"600x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_5577725b1672.jpg\">\n\nChebNet is a formulation of CNNs in the context of spectral graph theory.\n- [ChebNet Blog](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fchebnet\u002F)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FChebNet\u002FChebnet_Blog%2BCode.ipynb)\n- [Code](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FChebNet\u002Fcoarsening.py)\n- [Paper -> Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)\n\n\u003Cbr\u002F>\n\n\u003Ch2 align=\"center\"> 5. Understanding Graph Attention Networks \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_502a9cf4249c.jpg\">\n\nGAT is able to attend over their neighborhoods’ features, implicitly specifying different weights to different nodes in a neighborhood, without requiring any kind of costly matrix operation or depending on knowing the graph structure upfront.\n- [GAT Blog](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fgat)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGAT\u002FGAT_Blog%2BCode.ipynb)\n- [Code](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGAT\u002FGAT_PyG.py)\n- [Paper -> Graph Attention Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.10903)\n\n\u003Cbr\u002F>\n\n## Citation\n\nPlease use the following entry for citing the blog.\n```\n@misc{graph_nets,\n  author = {A. Dagar and A. Pant and S. Gupta and S. Chandel},\n  title = {graph_nets},\n  year = {2020},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets}},\n}\n```\n","\u003Ch1 align=\"center\"> 图表示学习 \u003C\u002Fh1>\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Fdsgiitr.in\u002Fimages\u002Fwork\u002Fgraph_nets.svg\">\n\n本仓库是我们博客系列《详解：图表示学习》的补充。该系列已涵盖了以下几篇重要论文及其对应的博客，并且我们计划继续添加该领域其他一些重要工作的博客。\n\n\u003Ch2> 环境搭建 \u003C\u002Fh2>\n\n克隆 Git 仓库：\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets.git\n```\n\n主要依赖 Python 3 和 PyTorch 1.3.0。`requirements.txt` 文件列出了其他依赖项。要安装所有依赖，请运行以下命令：\n\n`pip install -r requirements.txt`\n\n\u003Ch2 align=\"center\"> 1. 理解 DeepWalk \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" height=\"120x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_16ee8cde3f4f.png\">\n\n这是一种无监督的在线学习方法，灵感来源于自然语言处理中的 word2vec，但其目标是生成节点嵌入。\n- [DeepWalk 博客](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fdeepwalk)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FDeepWalk\u002FDeepWalk_Blog%2BCode.ipynb)\n- [代码](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FDeepWalk\u002FDeepWalk.py)\n- [论文 -> DeepWalk: 社交网络表示的在线学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1403.6652)\n\n\n\u003Ch2 align=\"center\"> 2. 回顾：图卷积网络（GCN） \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_544351f0d07e.png\">\n\nGCN 借鉴了卷积神经网络的思想，并将其重新定义以适应非欧几里得数据域。它们之所以称为卷积网络，是因为与典型的 GNN 不同，滤波器参数通常在整个图中共享。\n- [GCN 博客](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fgcn)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGCN\u002FGCN_Blog%2BCode.ipynb)\n- [代码](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGCN\u002FGCN.py)\n- [论文 -> 基于图卷积网络的半监督分类](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n\n\n\u003Ch2 align=\"center\"> 3. Graph SAGE（采样与聚合） \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_e9bb91a70ef9.jpg\">\n\n以往的方法大多是归纳式的，无法自然地推广到未见过的节点。GraphSAGE 是一种基于节点特征信息的归纳式框架，能够高效地生成节点嵌入。\n- [GraphSAGE 博客](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fgraphsage)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGraphSAGE\u002FGraphSAGE_Code%2BBlog.ipynb)\n- [代码](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGraphSAGE\u002FGraphSAGE.py)\n- [论文 -> 大型图上的归纳表示学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.02216)\n\n\n\u003Ch2 align=\"center\"> 4. ChebNet：基于快速局部化谱滤波的图上 CNN \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"600x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_5577725b1672.jpg\">\n\nChebNet 是在谱图理论背景下对 CNN 的一种形式化。\n- [ChebNet 博客](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fchebnet\u002F)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FChebNet\u002FChebnet_Blog%2BCode.ipynb)\n- [代码](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FChebNet\u002Fcoarsening.py)\n- [论文 -> 基于快速局部化谱滤波的图上卷积神经网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)\n\n\u003Cbr\u002F>\n\n\u003Ch2 align=\"center\"> 5. 理解图注意力网络 \u003C\u002Fh2>\n\u003Cimg align=\"right\" width=\"500x\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_readme_502a9cf4249c.jpg\">\n\nGAT 能够对邻居节点的特征进行注意力机制加权，从而为同一邻域内的不同节点分配不同的权重，而无需进行任何昂贵的矩阵运算，也不需要事先知道图的结构。\n- [GAT 博客](https:\u002F\u002Fdsgiitr.in\u002Fblogs\u002Fgat)\n- [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGAT\u002FGAT_Blog%2BCode.ipynb)\n- [代码](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fblob\u002Fmaster\u002FGAT\u002FGAT_PyG.py)\n- [论文 -> 图注意力网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.10903)\n\n\u003Cbr\u002F>\n\n## 引用\n\n请使用以下条目来引用本博客：\n```\n@misc{graph_nets,\n  author = {A. Dagar and A. Pant and S. Gupta and S. Chandel},\n  title = {graph_nets},\n  year = {2020},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets}},\n}\n```","# graph_nets 快速上手指南\n\n`graph_nets` 是一个开源项目，旨在通过代码和博客系列详解图表示学习（Graph Representation Learning）的核心算法。本项目涵盖了 DeepWalk、GCN、GraphSAGE、ChebNet 和 GAT 等经典模型的实现。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：Python 3.x\n*   **核心框架**：PyTorch 1.3.0 或更高版本\n*   **其他依赖**：详见项目根目录下的 `requirements.txt` 文件\n\n> **提示**：国内开发者建议使用清华源或阿里源加速 Python 包的安装。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n使用 git 将代码库下载到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets.git\n```\n\n### 2. 进入项目目录\n```bash\ncd graph_nets\n```\n\n### 3. 安装依赖\n推荐使用国内镜像源安装所有必要的依赖包：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注：如果默认源下载 PyTorch 较慢，可访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取针对您环境的特定安装命令（推荐选择国内镜像）。*\n\n## 基本使用\n\n本项目为每个算法提供了独立的代码文件和配套的 Jupyter Notebook 教程。以下是以最经典的 **GCN (图卷积网络)** 为例的快速运行方式。\n\n### 方式一：运行 Jupyter Notebook（推荐）\nNotebook 文件包含了详细的博客讲解和可交互的代码，最适合学习和调试。\n\n1.  启动 Jupyter Notebook：\n    ```bash\n    jupyter notebook\n    ```\n2.  在浏览器中导航至 `GCN` 文件夹。\n3.  打开并运行 `GCN_Blog+Code.ipynb`。\n4.  按顺序执行单元格即可看到模型训练过程和结果。\n\n### 方式二：直接运行 Python 脚本\n如果您只想快速测试代码逻辑，可以直接运行对应的 `.py` 文件。\n\n以运行 GCN 代码为例：\n\n```bash\npython GCN\u002FGCN.py\n```\n\n### 其他可用模块\n项目包含以下主要算法模块，使用方法同上（进入对应文件夹运行 Notebook 或脚本）：\n\n| 算法名称 | 文件夹路径 | 核心脚本 |\n| :--- | :--- | :--- |\n| **DeepWalk** | `DeepWalk\u002F` | `DeepWalk.py` |\n| **GCN** | `GCN\u002F` | `GCN.py` |\n| **GraphSAGE** | `GraphSAGE\u002F` | `GraphSAGE.py` |\n| **ChebNet** | `ChebNet\u002F` | `coarsening.py` |\n| **GAT** | `GAT\u002F` | `GAT_PyG.py` |\n\n建议优先阅读各文件夹下的 `Blog+Code.ipynb` 文件，以深入理解算法原理与代码实现的对应关系。","某金融科技公司的风控团队正试图构建一个反欺诈系统，通过分析用户间的转账关系图来识别潜在的洗钱团伙。\n\n### 没有 graph_nets 时\n- **算法复现门槛高**：团队成员需从零阅读 DeepWalk、GCN 等论文的数学推导，耗费数周编写底层代码，且极易因细节疏忽导致结果无法复现。\n- **缺乏统一对比基准**：DeepWalk、GraphSAGE 和 GAT 等不同架构的代码风格迥异，数据预处理逻辑不互通，难以在相同环境下公平评估哪种模型更适合当前业务。\n- **归纳能力缺失**：传统方法多为直推式（Transductive），一旦有新用户加入或图结构动态变化，必须重新训练整个模型，无法满足实时风控需求。\n- **理论理解困难**：新手工程师面对复杂的谱图理论（如 ChebNet）和非欧几里得卷积概念，缺乏直观的代码示例辅助理解，学习曲线极其陡峭。\n\n### 使用 graph_nets 后\n- **开箱即用的实现**：直接调用库中已封装好的 PyTorch 版本，几分钟内即可运行 DeepWalk、GCN、GraphSAGE 等主流算法，将研发周期从数周缩短至数天。\n- **标准化的实验框架**：所有模型共享统一的数据加载与评估接口，团队能快速横向对比不同算法在欺诈检测任务上的准确率与召回率，迅速锁定最优方案。\n- **支持动态图推理**：利用 GraphSAGE 的归纳学习特性，系统可直接为新注册的用户生成嵌入向量而无需重训全图，完美适配高频交易场景。\n- **代码即文档的教学价值**：结合配套的 Jupyter Notebook 和博客详解，团队成员能通过可执行的代码快速掌握图注意力机制（GAT）等前沿技术原理。\n\ngraph_nets 通过提供标准化、可解释且涵盖前沿算法的实现库，极大地降低了图表示学习技术的落地门槛与试错成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdsgiitr_graph_nets_65748310.png","dsgiitr","Data Science Group, IIT Roorkee","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdsgiitr_4747c598.png","A student organisation driving innovation via Machine Learning.",null,"dsg@iitr.ac.in","dsg_iitr","https:\u002F\u002Fdsgiitr.in","https:\u002F\u002Fgithub.com\u002Fdsgiitr",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",94,{"name":88,"color":89,"percentage":90},"Python","#3572A5",6,1229,230,"2026-03-24T08:18:05","","未说明",{"notes":97,"python":98,"dependencies":99},"主要依赖通过 requirements.txt 文件管理，需运行 pip install -r requirements.txt 安装。该项目是图表示学习博客系列的补充代码库，包含 DeepWalk、GCN、GraphSAGE、ChebNet 和 GAT 等算法的实现。","3.x",[100],"torch==1.3.0",[14],[103,104,105,106,107,108,109,110,111],"graph-representation-learning","graph-convolutional-networks","graph-attention-networks","graph-embedding","deepwalk","node-embedding","graph-sage","chebyshev-polynomials","pytorch","2026-03-27T02:49:30.150509","2026-04-12T03:00:53.244629",[115,120,125],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},30224,"如何获取 ChebNet 代码中引用的数据集文件夹？","可以通过修改代码行来加载 MNIST 数据集。将相关代码修改为：`mnist = input_data.read_data_sets(\"MNIST_data\u002F\", one_hot=True)`，确保本地存在对应的数据目录或让代码自动下载。","https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fissues\u002F16",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},30225,"在 GCN 的 PyTorch 实现中，为什么度矩阵 D 是基于原始邻接矩阵 A 而不是归一化后的 A_hat 计算的？","这是一个代码错误，技术上正确的做法应该是基于 A_hat 计算度矩阵。应将代码 `self.D = torch.diag(torch.sum(A,1))` 修改为 `self.D = torch.diag(torch.sum(A_hat,1))` 以符合对称归一化的逻辑。","https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fissues\u002F13",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},30226,"该项目是否实现了 GraphSAGE 的无监督学习功能？","本项目未直接包含该实现。您可以参考 William Hamilton 的官方 GraphSAGE 仓库获取无监督学习的实现代码，地址为：https:\u002F\u002Fgithub.com\u002Fwilliamleif\u002FGraphSAGE。","https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fgraph_nets\u002Fissues\u002F11",[]]