GNN（图神经网络）学习小节笔记（本人自看）

基准数据集和 task

Spatial-based GNN

从i层到i+1层

(SBC)

最后一层需要全部合起来变成一个代表的feature ，这个叫做readout，把所以节点，合起来变成一个特征，来classification或者regression。

NN4G（Neural Network for Graph ）

学习这个之前先看一下Embedding Matrix

和之前一样，假设我们的词汇表有10,000个单词，词汇表里有a，aaron，orange，zulu，可能还有一个未知词标记UNK。我们要做的就是学习一个嵌入矩阵E，它将是一个300×10,000的矩阵，如果你的词汇表里有10,000个，或者加上未知词就是10,001维。这个矩阵的各列代表的是词汇表中10,000个不同的单词所代表的不同向量。假设orange的单词编号是6257，代表词汇表中第6257个单词，我们用符号O_6257来表示这个one-hot向量（这个向量除了第6527个位置上是1，其余各处都为0），显然它是一个10,000维的列向量，它只在一个位置上有1，它的高度和左边的嵌入矩阵的宽度（行数）相等。

假设用嵌入矩阵E去乘以O_6257，那么就会得到一个300维的向量，E是300×10,000的，O_6257是10,000×1的，所以它们的积是300×1的，即300维的向量。以此类推，直到你得到这个向量剩下的所有元素。得到的300维向量我们记为e_6257，这个符号是我们用来表示这个300×1的嵌入向量（embedding vector）的符号，它表示的单词是orange。

要记住我们的目标是学习一个嵌入矩阵E。在之后的操作中你将会随机地初始化矩阵E，然后使用梯度下降法来学习这个300×10,000的矩阵中的各个参数，E乘以one-hot向量会得到嵌入向量。但当你动手实现时，用大量的矩阵和向量相乘来计算它，效率是很低下的，因为one-hot向量是一个维度非常高的向量，并且几乎所有元素都是0，所以矩阵向量相乘效率太低。所以在实践中你会使用一个专门的函数（function）来单独查找矩阵E的某列，而不是用通常的矩阵乘法来做，但是在画示意图时（上图所示，即矩阵E乘以one-hot向量示意图），这样写比较方便。