圖神經網絡基礎、模型與應用實戰
蘭偉 葉進 朱曉姝
買這商品的人也買了...
-
$403深度學習原理與TensorFlow實踐 -
$352深度學習:Keras快速開發入門 -
$403Keras 快速上手：基於 Python 的深度學習實戰 -
$301精通 Python 自然語言處理 (Mastering Natural Language Processing with Python) -
$301Python 並行編程手冊 -
$352Python 自然語言處理實戰：核心技術與算法 -
Game Programming using Qt 5.x Beginner's Guide - Second Edition: Design and build fun games with Qt and Qt Quick 2 using associated toolsets$1,660$1,577 -
並行多核體系結構基礎$594$564 -
$454OpenCV 3 和 Qt5 電腦視覺應用開發 (Computer Vision with OpenCV 3 and Qt5: Build visually appealing, multithreaded, cross-platform computer vision applications) -
圖形演算法｜Apache Spark 與 Neo4j 實務範例 (Graph Algorithms)$580$458 -
$602知識圖譜：概念與技術 -
智能投顧 — 大數據智能驅動投顧創新$354$336 -
圖深度學習從理論到實踐$534$507 -
Python FastAPI 構建數據科學應用$534$507 -
圖強化學習--原理與實踐入門$414$393 -
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537
相關主題
商品描述
圖神經網絡不僅能夠解決傳統機器學習方法無法解決的圖數據問題，而且能夠應用於許多實際場景，例如社交網絡、藥物發現、網絡安全、金融風控等。《圖神經網絡基礎、模型與應用實戰》旨在為初學者和實踐者提供一個詳細、全面的入門指南，圍繞圖神經網絡基礎、模型、應用實戰（均採用Python+PyTorch實現）等方面進行介紹。《圖神經網絡基礎、模型與應用實戰》配套示例源碼、數據集、PPT課件。 《圖神經網絡基礎、模型與應用實戰》共分9章，內容包括圖神經網絡概述、PyTorch開發環境搭建、數據集的獲取與加載、圖神經網絡模型、圖神經網絡在自然語言處理領域的應用、圖神經網絡在電腦視覺領域的應用、圖神經網絡在推薦系統領域的應用、圖神經網絡在社交網絡領域的應用、圖神經網絡的挑戰和機遇。其中，每個領域的應用都包括1~3個實戰項目，可以幫助讀者快速掌握圖神經網絡。 《圖神經網絡基礎、模型與應用實戰》適合圖神經網絡初學者、圖神經網絡算法開發人員、深度學習算法開發人員，也適合高等院校或高職高專圖神經網絡相關課程的師生教學參考。
目錄大綱
目 錄
第1章 圖神經網絡概述 1
1.1 什麽是圖神經網絡 1
1.1.1 圖的基礎知識 1
1.1.2 圖神經網絡簡介 2
1.1.3 圖神經網絡的應用領域 3
1.2 圖神經網絡的重要性 4
1.3 圖神經網絡與傳統深度學習的區別 5
1.3.1 傳統深度學習模型 6
1.3.2 圖神經網絡與傳統深度學習的區別 8
第2章 PyTorch開發環境搭建 10
2.1 Anaconda的安裝和配置 10
2.2 PyCharm的安裝和配置 12
2.3 PyTorch Geometric的安裝和配置 13
2.3.1 查看系統支持的CUDA版本 14
2.3.2 下載最新的Navida顯卡驅動 14
2.3.3 下載CUDA Toolkit 14
2.3.4 cuDNN的安裝 16
2.3.5 安裝PyTorch框架虛擬環境 17
2.3.6 檢查PyTorch框架的安裝 18
2.3.7 安裝圖神經網絡庫 19
2.3.8 使用Jupyter Notebook運行代碼 20
第3章 數據集的獲取與加載 22
3.1 PyTorch Geometric內置數據集 22
3.1.1 PyTorch Geometric簡介 22
3.1.2 PyG內置數據集簡介 23
3.1.3 如何加載內置數據集 24
3.2 自定義數據集 25
3.2.1 torch_geometric.data.Dataset類 25
3.2.2 torch_geometric.data.DataLoader類 28
3.2.3 如何加載自定義數據集 29
3.3 數據集預處理步驟 31
3.3.1 圖像數據預處理 31
3.3.2 圖數據預處理 41
第4章 圖神經網絡模型 45
4.1 圖捲積神經網絡 46
4.1.1 圖捲積神經網絡的起源和發展 46
4.1.2 圖捲積神經網絡與捲積神經網絡的異同 46
4.1.3 圖捲積神經網絡簡單代碼實現 47
4.1.4 捲積神經網絡簡單代碼示例 49
4.1.5 圖捲積神經網絡的應用領域 50
4.2 圖註意力網絡 51
4.2.1 圖註意力網絡的由來和發展 51
4.2.2 圖註意力網絡模型代碼實現 51
4.2.3 圖註意力網絡的應用領域 53
4.3 圖自編碼器 54
4.3.1 圖自編碼器的由來和發展 54
4.3.2 圖自編碼器代碼實現 54
4.3.3 圖自編碼器的應用領域 56
4.4 圖生成網絡 57
4.4.1 圖生成網絡的由來和發展 57
4.4.2 圖生成網絡代碼實現 57
4.4.3 圖生成網絡的應用領域 59
第5章 圖神經網絡在自然語言處理領域的應用 60
5.1 基於圖神經網絡的文本分類實現 60
5.1.1 問題描述 61
5.1.2 導入數據集 61
5.1.3 詞嵌入 63
5.1.4 構造鄰接矩陣 64
5.1.5 構建圖數據 66
5.1.6 圖的小型批處理 68
5.1.7 圖捲積神經網絡 69
5.1.8 模型訓練與測試 70
5.2 基於圖神經網絡的情感分析實現 71
5.2.1 問題描述 72
5.2.2 導入數據集 72
5.2.3 詞嵌入 74
5.2.4 語法依存樹 74
5.2.5 圖的小型批處理 76
5.2.6 圖神經網絡的構造 77
5.2.7 模型訓練與測試 78
5.3 基於圖神經網絡的機器翻譯實現 79
5.3.1 基於語法感知的圖神經網絡編碼器用於機器翻譯 80
5.3.2 利用圖捲積神經網絡挖掘機器翻譯中的語義信息 80
5.3.3 示例總結 80
第6章 圖神經網絡在電腦視覺領域的應用 81
6.1 基於圖神經網絡的圖像分類實現 82
6.1.1 基於端到端的圖神經網絡模型的圖像分類 82
6.1.2 基於區域的圖神經網絡模型的圖像分類 93
6.2 基於圖神經網絡的目標檢測實現 117
6.2.1 圖神經網絡的目標檢測方法及其優缺點 117
6.2.2 GSDT目標檢測的步驟 118
6.2.3 問題描述 120
6.2.4 導入數據集 120
6.2.5 模型搭建 120
6.2.6 模型訓練與測試 121
6.3 基於圖神經網絡的圖像生成實現 122
6.3.1 基於草圖組合與圖像匹配的圖像生成 122
6.3.2 基於圖神經網絡的場景圖生成 125
6.3.3 基於圖捲積神經網絡從場景圖生成圖像 126
第7章 圖神經網絡在推薦系統領域的應用 153
7.1 基於圖神經網絡的用戶興趣建模實現 154
7.2 基於圖神經網絡的推薦算法實現 155
7.3 基於圖神經網絡的廣告推薦實現 156
7.3.1 數據預處理 157
7.3.2 模型定義 161
7.3.3 參數設置 165
7.3.4 模型訓練與測試 168
7.3.5 結果 173
第8章 圖神經網絡在社交網絡領域的應用 174
8.1 基於圖神經網絡的社交網絡分析實現 174
8.1.1 問題描述 174
8.1.2 導入數據集 175
8.1.3 模型搭建 176
8.1.4 模型訓練與測試 177
8.1.5 示例總結 178
8.2 基於圖神經網絡的社交網絡關系預測實現 180
8.2.1 問題描述 180
8.2.2 導入數據集 181
8.2.3 模型搭建 182
8.2.4 模型訓練與測試 183
8.2.5 示例總結 186
8.3 基於圖神經網絡的社交網絡推薦實現 190
8.3.1 問題描述 190
8.3.2 導入數據集 190
8.3.3 模型搭建 192
8.3.4 模型訓練與測試 193
8.3.5 示例總結 195
第9章 圖神經網絡的挑戰和機遇 197
9.1 圖神經網絡的發展歷程和現狀 197
9.1.1 圖神經網絡的分類 198
9.1.2 經典的圖神經網絡模型 198
9.2 圖神經網絡的技術挑戰和應用機遇 202
9.3 圖神經網絡的未來發展方向和熱點問題 203
