前言

图神经网络（GCNS)分为了五类，图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）、图自编码机（Graph Auto-encoder）、图生成网络（Graph Generative Networks）、图时空网络（Graph Spatial-Temporal Networks），时空图卷积(ST-GCN)是在Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition一文中提出用于动作识别的，它可以自动从数据中学习空间和时间模式，因此具有更强大大的表达能力和泛化能力。

参考：https://staging.distill.pub/2021/gnn-intro/?ref=https://githubhelp.com

介绍

基本结构

图是一种数据结构，分为有向图和无向图，它表示了边和结点之间的联系

上面三张图表示了图的三个属性，图的全局信息，图的顶点和图的边，这些属性可以用于存储信息，用一个长度为5的向量来表示顶点，长度为8的向量来表示边，整个全局的信息用一个长度为5的向量来表示。

数据如何表示成图

数据主要分为两种，图片和文本。
图片：通常认为图像是带有图像通道的矩形网格，将它们表示为数组，另一种方法把图像当成是一种具有规则结构的图，读入彩色图像时，读出的是一个二维矩阵，其中每个像素（有RGB三个值）代表一个结点，并通过边与相邻像素相连，每个非边界像素有8个像素点相邻。

文本：通过将索引与每个字符、单词或标记联系起来，并将文本表示为索引的序列，然后将文本数字化，这创建了一个简单的有向图，其中每个字符或索引都是一个结点，并通过边连接到后面的结点。

图神经网络

因为图是一个排列不变的矩阵，所以可以使用图神经网络来进行图预测问题，GNN是对图上所有的属性进行的一个可以优化的变换，这个变换可以保持住图的对称信息，它接受一个图作为输入，将信息加载到它的节点、边和全局上下文中，并逐步转换这些嵌入，但是不会改变图的一个连接性，输出的也是一个图。

图神经网络是通过图与图之间节点来进行交互的，它展现了每个结点的上一层和下一层都是由哪些结点计算而来的，只要层数足够深，就可以处理到比较大范围的一个信息，这也是图神经网络怎么利用图的结构化信息来处理信息的基本原理。

上图是一个最简单的GNN模型，对于顶点状态向量、边状态向量还有全局的状态向量，我们构造一个输入大小等于输入大小的多层感知机，经过MLP之后，我们就得到了更新后的状态向量，GNN可以像神经网络一样进行多层叠加，并对向量进行多次更新。

持续更新学习笔记