这是关于图神经网络入门学习的一个简单资料。仅学习使用。

PART ONE/为什么需要图神经网络 PART TWO/什么是图神经网络（包括图的基本知识，及基本GNN的操作） PART THREE/图神经网络的变体（图神经网络的3个变体，图卷积神经网络（又可分为基于空间域的图卷积神经网络和基于频域的图卷积神经网络），基于注意力的图神经网络，基于自编码器的图神经网络）。包括DCNN（Diffusion-Convolution Neural Network、NN4G（Neural Networks for Graph）、MPNN：Message Passing Neural Network、GAT （Graph Attention Network）、图自编码器（graph autoencoder，GAE）、变分图自编码器（variational graph autoencoder，VGAE） PART FOUR/应用，在自然语言处理方面的应用，在计算机视觉方面的应用，在推荐系统方面的应用，在预测问题方面的应用

基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）

由北京智源人工研究员、智源AI社区举办的图神经网络在线研讨会 2020。具体来说，会议报告包括：《网络表示学习》-北大宋国杰、《图卷积神经网络》-中科院计算所沈华伟、《图神经网络(GNN)及认知推理》-清华唐杰、《异质图神经网络及其在电商中的应用》-北邮石川。欢迎大家下载、学习。

近期，一些Paper放出来，以下整理了CVPR 2020 图神经网络(GNN)相关的比较有意思的值得阅读的五篇论文，供大家参考—点云分析、视频描述生成、轨迹预测、场景图生成、视频理解等。

本文组织如下:首先，介绍了图和网络的基本概念。其次，我们描述了在GNNs中用于计算节点嵌入的主要步骤。接下来，我们将介绍现有文献中经常提到的三种GNN技术。最后，我们对该领域的其他著名作品进行了有限的综述。

Papers on Graph neural network(GNN)

GNN综述阅读报告，报告涵盖有多篇GNN方面的论文，以及一个按照论文《The Graph Neural Network Model 》使用pytorch编写的模型例子，该模型在人工数据上进行运行和验证。

来自密歇根州立大学的YaoMa, Wei Jin, andJiliang Tang和IBM研究Lingfei Wu与 Tengfei Ma在AAAI2020做了关于图神经网络的Tutorial报告，总共305页ppt，涵盖使用GNNs对图结构数据的表示学习、GNNs的健壮性、GNNs的可伸缩性以及基于GNNs的应用，非常值得学习。