零基础多图详解图神经网络（GNN/GCN）

更多：github.com/mli...

[@李依晨-x5o]

李老师讲解的非常清楚！让我受益颇多，希望能看到更多关于图神经网络的视频~

[@wenyuhua]

講得非常好,這讓我在看其他GNN的paper 比較清楚了

[@imbayesian]

Thank you for your introduction. As a new PhD student, I think this is very helpful!

[@haoweipan667]

NI KE YI SHUO ZHONG WEN ME?

[@坤王-c8x]

@@haoweipan667 ahhah, bu ke yi

[@奥里给大菠萝]

shi zhong guo ren jiu shuo ni hao！

[@terencejoker149]

bu shuo zhong wen，bu shi zhong guo ren！

[@ilomilor849]

那个playground demo其实不是实时训练的，而是加载相应参数的预训练模型

[@tethyssun7489]

思想是听明白了，但是还是不知道实际编程中怎么操作的，比如例子里的对node的MLP的输入神经元是多少个？是根据单个node的attributes个数决定的？这样的话怎么输入一整张图呢？因为node和edge个数可能是不同的，没有办法把他们当成batch维度。如果不是，那MLP输入层神经元个数对应node的个数？那node的attribute放在哪个维度？

[@chunnongli6062]

老师真的太优秀了，讲的非常容易理解，希望老师坚持更视频呀！

[@yuanyuan4985]

谢谢老师👏👏👏

[@gzbin365]

54:00 卷积神经网络假设空间变换的不变性，循环神经网络假设的是时序的连续性，图神经网络的假设是保持了图的对称性，顿悟

[@文刀虫二]

总结得真好

[@u123u2]

真的非常感謝老師無私分享

[@waju3234]

李老师能再讲一些knowledge graph的构造，算法和应用的东西吗？多谢先！

[@hawktan403]

讲得太清晰啦！

[@joviwong1894]

毕设就靠这篇文章了🤣

[@ericchen4970]

謝謝老師的精采講解!

[@kuilinli4664]

老师您讲的太好了

[@zzc061u]

非常感謝講解

[@legendyang1837]

请问关于将人类说出来的语言命令转换成机器人具体可执行的机器指令有哪些模型可以推荐试用的？

[@jrshi4759]

感谢讲解

[@benren9004]

感谢您！

[@leh6779]

很详细

[@timxiao5076]

谢沐哥！先干为敬

[@radio0529]

現在來看，圖神經網路感覺很像注意力機制?

[@zhuoranliu3020]

李老师讲的很清楚，但李老师好像衣服穿反了😂

[@AJ-cb2bz]

大神你好！

[@Dr.Zhangbob]

李老师是我的偶像

[@xixizhang-j3l]

有文章的地址吗？或者pdf?

[@cyberpunk_edgerunners]

感谢

[@dama8974]

麻烦问一下老师，你讲课时，几张图是如何联动的，如在图1上点节点，在其他图上显示其他相关信息，谢谢！

[@chizhang8055]

Awesome! keep doing~ God Li~

[@刘洋-t6q6p]

沐哥，有时间的话，您能考虑讲一下它的下一篇图神经网路的那个吗

[@jyc1179]

沐哥，图神经网络怎么对多张图像做训练呢

[@xugangye6494]

精彩

[@zena-t1x]

👍

[@VitoChouMalk]

我想看更多圖神經網路

[@张大白-sk]

想请教老师，时序数据不能建图吗？我感觉图应该说是最能够描述现实世界的数据结构吧？只要能够建模得当，图应该完败其他结构。

[@notthistime4704]

Complex network approaches to nonlinear time series analysis， Yong Zou et al.

[@张大白-sk]

@@notthistime4704 感谢

[@黄小玮-v6g]

so great!

[@dennistang6459]

李老师说得太好了，但是想请教一下：既然(U, E, V)依附于具体某张图，并且训练过程基本可以理解为结构不变，那么当遇到新的结构的时候，它的generalization泛化能力又怎么体现呢？

[@cainiaoyihao5654]

我觉得训练数据集里的图也都不一样，比如摔跤那个例子，训练数据可能是各种摔跤的照片。训练好模型就可以对新的摔跤照片进行分析，哪怕运动员的人数和位置和训练时的照片都不一样，也可以算出正确的人物动作关系。

[@radeon-gv6hn]

考研休息处

[@陳文續-q5m]

奧賽羅

[@BruinChang]

好像有群的味道...。

[@文刀虫二]

是差不多