共计 1604 个字符，预计需要花费 5 分钟才能阅读完成。
几何图神经网络
近年来，深度学习已在各畛域获得了显著的冲破，如计算机视觉、自然语言解决和语音辨认等。然而，传统的深度学习办法往往侧重于解决规定的、网格状构造数据，例如图像和文本。这些办法在解决不规则、非网格状的数据结构，如图（Graph）时，往往体现不尽如人意。而事实世界中，许多重要信息都是以图的模式存在，如社交网络、生物信息、交通系统等，因而，如何无效解决这类数据成为了迫切需要解决的问题。
几何深度学习（Geometric Deep Learning）应运而生，它具备人造的适应性和弱小的表达能力，能更好地开掘和利用数据中的几何构造。从而可能解决许多传统神经网络难以解决的问题，如图神经网络、非欧几里得数据等。与传统深度学习办法相比，几何神经网络旨在利用几何学中的对称性、流形、群变换等概念开掘数据中的几何构造，捕捉数据的拓扑关系和部分特色，从而在解决简单、非网格状数据时具备更高的性能和更强的泛化能力，在生物分子、材料科学、物理零碎等畛域，几何深度学习都有着宽泛的利用。
图|应用 GNN 预测分子资料的性质
作为几何深度学习的核心技术，图神经网络（Graph Neural Networks, GNNs）正吸引着越来越多的研究者和开发者。明天，咱们为您精选了一个波及几何图神经网络的教学 Notebook，助您深刻了解、实际几何深度学习。
几何深度学习实际案例
本期 Notebook 旨在为大家提供一个初学者敌对的几何深度学习入门实际。在学习这个实际教程过程中，您将逐渐把握：
- 不变性（invariance）和等变性（equivariance）这两个与图神经网络密切相关的概念，以及它们在数据中的对称性和不变性。这篇 notebook 将从实践、证实、编程和单元测试等多个方面为您出现。
- PyTorch Geometric（PyG）的应用办法。作为一个备受欢送的库，PyG 可用于开发最先进的 GNNs 和几何深度学习模型。尤其是，您将相熟 MessagePassing 基类用于设计新鲜 GNN 层和 Data 对象用于示意图数据集。
- 利用几何信息构建 GNN 层的基本原理，以及如何解决嵌入在 3D 空间中的图，例如分子、资料和其余物理零碎。
此 Notebook 最后是为以下课程的学生精心打造的：
- Representation Learning on Graphs and Networks，剑桥大学计算机科学与技术系。
- Geometric Deep Learning，非洲机器智能硕士课程。
在这里，咱们已为你事后配置好了所需的环境配置，应用咱们为你筹备的 在线 Notebook：https://nb.bohrium.dp.tech，你无需放心环境配置和依赖问题，仅须要专一于学习自身。依附 收费的 2 核 4G 计算资源，你能够在平台上间接运行和批改代码。
对于曾经理解图神经网络和几何深度学习基本概念，心愿进一步深入研究和疾速上手实际的敌人来说，这份 Notebook 无疑是一份难得的好材料。咱们置信，通过学习这个 Notebook，您将可能更好地把握几何深度学习的核心技术和最新进展，为您的钻研和开发工作提供无力反对。
致谢
感激 Chaitanya K. Joshi、Charlie Harris 和 Ramon Viñas Torné 等作者的辛勤创作，他们激情地欢迎您就解决方案向他们发问和反馈。
Joshi, Chaitanya K., et al. “On the expressive power of geometric graph neural networks.” arXiv preprint arXiv:2301.09308 (2023). https://arxiv.org/abs/2301.09308
欢送关注咱们的微信公众号 NBHub，获取更多乏味的 Notebook 实际～感兴趣的童鞋能够查看原文：https://mp.weixin.qq.com/s?__biz=Mzg5NTk3Nzk3MQ==&mid=2247484…
