深入淺出圖神經網絡：GNN原理解析
作者：劉忠雨 李彥霖 周洋 著
分類：科技
ISBN：9787111643630
出版時間：2019-12-25
出版社：機械工業出版社
標簽： 暫無
內容簡介
這是一本從原理、算法、實現、應用4個維度詳細講解圖神經網絡的著作，在圖神經網絡領域具有重大的意義。
本書作者是圖神經網絡領域的資深技術專傢，作者所在的公司極驗也是該領域的領先者。本書是作者和極驗多年研究與實踐經驗的總結，內容系統、紮實、深入淺出，得到瞭白翔、俞棟等多位學術界和企業界領軍人物的高度評價及強烈推薦。
全書共10章：
第1～4章全面介紹瞭圖、圖數據、卷積神經網絡以及表示學習等基礎知識，是閱讀本書的預備知識；
第5～6章從理論的角度出發，講解瞭圖信號處理和圖卷積神經網絡，深入剖析瞭圖卷積神經網絡的性質，並提供瞭GCN實現節點分類的實例；
第7～9章全面講解瞭圖神經網絡的各種變體及范式、圖分類機制及其實踐，以及基於GNN的圖表示學習；
第10章介紹瞭圖神經網絡的最新研究和應用。
章節介紹
前言
第1章 圖的概述 1
1.1 圖的基本定義 1
1.1.1 圖的基本類型 2
1.1.2 鄰居和度 4
1.1.3 子圖與路徑 4
1.2 圖的存儲與遍歷 5
1.2.1 鄰接矩陣與關聯矩陣 5
1.2.2 圖的遍歷 6
1.3 圖數據的應用場景 7
1.4 圖數據深度學習 10
1.5 參考文獻 13
第2章 神經網絡基礎 17
2.1 機器學習基本概念 17
2.1.1 機器學習分類 17
2.1.2 機器學習流程概述 18
2.1.3 常見的損失函數 21
2.1.4 梯度下降算法 23
2.2 神經網絡 25
2.2.1 神經元 25
2.2.2 多層感知器 27
2.3 激活函數 29
2.3.1 S型激活函數 30
2.3.2 ReLU及其變種 30
2.4 訓練神經網絡 33
2.4.1 神經網絡的運行過程 34
2.4.2 反向傳播 34
2.4.3 優化困境 36
2.5 參考文獻 38
第3章 卷積神經網絡 39
3.1 卷積與池化 39
3.1.1 信號處理中的卷積 39
3.1.2 深度學習中的卷積操作 42
3.1.3 池化 46
3.2 卷積神經網絡 46
3.2.1 卷積神經網絡的結構 47
3.2.2 卷積神經網絡的特點 49
3.3 特殊的卷積形式 51
3.3.1 1×1卷積 51
3.3.2 轉置卷積 52
3.3.3 空洞卷積 54
3.3.4 分組卷積 55
3.3.5 深度可分離卷積 55
3.4 卷積網絡在圖像分類中的應用 56
3.4.1 VGG 56
3.4.2 Inception系列 57
3.4.3 ResNet 60
3.5 參考文獻 62
第4章 表示學習 65
4.1 表示學習 65
4.1.1 表示學習的意義 65
4.1.2 離散表示與分佈式表示 66
4.1.3 端到端學習是一種強大的表示學習方法 68
4.2 基於重構損失的方法—自編碼器 69
4.2.1 自編碼器 69
4.2.2 正則自編碼器 71
4.2.3 變分自編碼器 72
4.3 基於對比損失的方法—Word2vec 75
4.4 參考文獻 79
第5章 圖信號處理與圖卷積神經網絡 81
5.1 矩陣乘法的三種方式 81
5.2 圖信號與圖的拉普拉斯矩陣 83
5.3 圖傅裡葉變換 85
5.4 圖濾波器 90
5.4.1 空域角度 93
5.4.2 頻域角度 94
5.5 圖卷積神經網絡 96
5.6 GCN實戰 101
5.7 參考文獻 109
第6章 GCN的性質 111
6.1 GCN與CNN的聯系 111
6.2 GCN能夠對圖數據進行端對端學習 115
6.3 GCN是一個低通濾波器 120
6.4 GCN的問題—過平滑 122
6.5 參考文獻 127
第7章 GNN的變體與框架 129
7.1 GraphSAGE 129
7.1.1 采樣鄰居 130
7.1.2 聚合鄰居 131
7.1.3 GraphSAGE算法過程 132
7.2 GAT 134
7.2.1 註意力機制 134
7.2.2 圖註意力層 137
7.2.3 多頭圖註意力層 138
7.3 R-GCN 140
7.3.1 知識圖譜 140
7.3.2 R-GCN 141
7.4 GNN的通用框架 143
7.4.1 MPNN 143
7.4.2 NLNN 146
7.4.3 GN 147
7.5 GraphSAGE實戰 148
7.6 參考文獻 153
第8章 圖分類 155
8.1 基於全局池化的圖分類 155
8.2 基於層次化池化的圖分類 156
8.2.1 基於圖坍縮的池化機制 157
8.2.2 基於TopK的池化機制 165
8.2.3 基於邊收縮的池化機制 168
8.3 圖分類實戰 169
8.4 參考文獻 177
第9章 基於GNN的圖表示學習 179
9.1 圖表示學習 180
9.2 基於GNN的圖表示學習 182
9.2.1 基於重構損失的GNN 183
9.2.2 基於對比損失的GNN 184
9.3 基於圖自編碼器的推薦系統 188
9.4 參考文獻 195
第10章 GNN的應用簡介 197
10.1 GNN的應用簡述 197
10.2 GNN的應用案例 199
10.2.1 3D視覺 199
10.2.2 基於社交網絡的推薦系統 203
10.2.3 視覺推理 205
10.3 GNN的未來展望 208
10.4 參考文獻 209
附錄A 符號聲明 211
網盤地址：
書友評論
- 淳平的評論 一言難盡的一本書，有種高中生直接看大物的感覺。要想深入淺出，我覺得讀者首先得對卷積神經網絡原理，信號學原理熟練掌握，否則看這本書會很懵逼。最後，全書那麼多小錯誤，也太不用心瞭吧！公式錯瞭可能看不出來，文字的錯誤可不能原諒瞭哦
- 樂天的評論 內容總體上算是入門的，並不精華，總體不如一些微信公眾號的文章或則是知乎的文章。我買的在線版本居然還有很多重復的參考文獻，非常不專業，不推薦。
- 一直想要飛的魚的評論 說細節太粗糙，說粗糙還有些細節。最怕這種書
- WinD的評論 其他的都是水軍，網上博客東拼西湊之作，別買
- acl的評論 其實還行吧，感覺有點水而已
- 花灑灑的評論 讀這種技術書我最怕兩件事，一是代碼滿篇，二是公式符號亂七八糟，完全看不懂要指代什麼。還好這本書這兩點做的都很好，表揚一下！代碼基本都是提出的核心部分，想要全部內容可以去作者提供的鏈接下載。公式的說明在最後還有附錄陳述，很棒，讀起來不累心，少有的佳作。
- orange的評論 其中幾章挺有用的
- 咕咕咕的評論 還不錯吧
- 身體快樂江湖騙子的評論 第五章開始講得不太清楚，拉普拉斯算子沒講明白像直接抄的，個別地方有錯，86頁由式5.7可知LI=0應該是L1=0，1是列向量，可以看出來出版比較倉促。
- 落寞的絕響的評論 拼湊的書，沒啥用還死貴。
- GreatL的評論 深入淺出算不上，隻是淺入。圖神經網絡是研究熱點，但能讀這類內容的人沒必要看書，尤其是中文書，有很多綜述論文，知乎上也有很多對具體問題的解讀。不過由於是領域內第一本，勉強三星及格
- 大師兄的評論 業內唯一一本中文圖神經網絡的書，用來瞭解基本概念還是可以的，深度和廣度遠遠不夠，看完之後有瞭簡單的知識體系，但是正確性不太敢評價，更詳細的和更準確的內容還需要自己去看論文和源碼。
- Yoran的評論 說的比較淺，前幾章甚至在介紹nn，後幾章像是綜述，但是說的東西言簡意賅，也有實踐用的代碼，同時第五章也解決瞭我對於基於頻域的gcn的疑惑。最後，居然在書腰上看見瞭隔壁實驗室大老板的名字，hhh
- B.B的評論 寫的也太隨便瞭
- Wendy的評論 前面太簡單，後面又有點不知所雲，感覺就是把幾篇gcn的文章摘抄瞭一下，基本概念都沒有介紹清楚，這麼快出來的書果然質量不可能好。
- 黑星的評論 因為畢設可能要用到所以看瞭好幾天 確實是深入淺出 至少對GNN有瞭一些瞭解 真難 不知道為什麼評分這麼低哈哈哈
- Franci的評論 有學到一些東西，有些知識點講的也深受啟發。卷積那個翻轉平移方法很形象。天下不可能有一本書寫盡所有知識，這本書對入門與瞭解gnn很好。
- cedric的評論 不能算是深入淺出，很多細節沒照顧到，而且GCN很多東西都隻是點水。代碼有湊頁數的嫌疑，公式有錯誤建議再印刷的時候都改一改，再加上本來書也不厚，定價還那麼貴（相比西瓜書和統計學習方法）說完缺點再說一個優點好瞭，畢竟現在GCN沒有什麼書，適合入門看，掃個盲還行
- Minions的評論 第一個介紹圖神經網絡的書，全篇一共10章，前4章是經歷的神經網絡，後6章開始介紹圖神經網絡基礎知識，對新手入門很友好，值得看，缺點就是代碼部分就隻是貼上代碼，沒有詳細代碼介紹
- 咚咚鏘的評論 前四章感覺在湊字數，後面gnn架構可以認真讀讀