图图是一种结构化数据类型，由节点（nodes）和边（edges）组成，同时图自身也能够作为数据点。
图是一种非欧几里得数据，这也意味着它们能够存在于 3D 中。与图像、文本和音频等其余数据类型不同，图数据具备不规则性和高简单的邻接关系。
CV 里的图像数据（左）和 GNN 中图数据（右）欧式空间中的卷积操作实际上是用固定大小可学习的卷积核来抽取像素的特色而图上街坊结点不固定，所以传统的卷积核不能间接用于抽取图上结点的特色图神经网络人工神经网络 (简称 NN) 及其扩大族，包含卷积神经网络(CNN)、递归神经网络(RNN)，以及当初的图神经网络(GNN)。CNN 与 RNN 的操作数据是规定的序列（文本）和网格（图像）数据，利用对象繁多且固定。然而，事实世界中存在许多简单零碎，这些零碎经常体现为简单网络的模式，如社交网络，交通网络，蛋白质交互网络，因为这些简单网络的不规则性，传统的神经网络很难间接利用于图数据。而 GNN 的呈现，使得深度学习可能更好地解决图数据。GNN 能够实现节点分类，链路预测，图分类等图相干的工作。
图神经网络框架几何深度学习揭示了如何在图形上应用深度学习。图神经网络 GNN 是几何深度学习的一部分，钻研具备构造属性、拓扑性质的数据的学习和预测工作。图神经网络的每一个特征提取层都会对节点的特色和连贯的特色进行更新，这种更新模式被叫作消息传递机制。消息传递机制指的是要更新某一个点的特色，须要思考周边和它相连的点的特色，这里就要用到音讯函数。音讯函数通常是由一个网络对节点和周边节点关系的刻画。而后用另一个网络整合周边节点信息，接着加和到这个节点自身的特色中，这两步更新模式就形成了一个根本的消息传递机制。其外围在于聚合街坊结点的信息。
消息传递机制示意图 MindSpore 及环境配置(Windows11)（1）装置 Minicanda 装置 Minicanda，创立 Python 环境# 创立环境
conda create –name py39_ms18 python=3.9.0
输出 y
切换到环境
conda activate py39_ms18
查看装置版本
python –version
3.9.0
更新环境
pip install –upgrade pip
（2）装置 MindSpore 获取环境装置命令: https://www.mindspore.cn/install
Windows11+CPU+Python39+MindSpore18pip install https://ms-release.obs.cn-nor… –trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.ed…
Linux 版本（可选）: Linux+CUDA101+Python39+MindSpore18# CUDA101
pip install https://ms-release.obs.cn-nor… –trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.ed…
CPU
pip install https://ms-release.obs.cn-nor… –trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.ed…
（3）验证是否装置胜利 python -c “import mindspore;mindspore.run_check()”
小结本文首先介绍了图和图神经网络的根底概念，率领大家简略入门图学习相干的基本概念。图神经网络的呈现使得深度学习可能在图构造数据上进行表征学习，这一冲破促成了图示意学习的疾速倒退，并在社交网络分析，交通预测，举荐零碎等畛域失去广泛应用。其次，针对实际所需的环境进行了装置和配置，次要是 MindSpore 的环境装置与配置。此次抉择了在本人电脑上进行装置和搭建，MindSpore 抉择装置了最新 1.8 版本，正好也能够体验一下新性能个性。本系列实际内容次要蕴含 MindSpore 的根底应用办法和 GNN 的实际两局部，第一局部次要介绍 MindSpore 的根本应用，第二局部次要是基于 MindSpore 实现一些根底的图神经网络模型。