第1章快速了解人工智能与 PyTorch

1.1 图神经网络与深度学习

图神经网络是一类处理图域信息的方法。它是图分析方法与深度神经网络的融合，即将图领域相关技术融入深度学习中。

在人工智能领域，人们起初从简单的神经网络开始研究。该研究的进展中，神经网路模型越来越庞大，结构也越来越复杂，于是人们将其命名为深度学习。

深度学习的本质为一个可以模拟人脑进行分析学习的神经网络，他模仿人脑的机制来解释数据（例如图形、声音和文本），通过组合低层特征，形成更为抽象的高层特征，来拟合我们日常生活中的各种事情。

深度学习应用广泛，如机器翻译、人脸识别、语音识别、医疗辅助等。

图神经网络（Graph Neural Networks, GNN）是一类能够从图结构数据中学习的神经网络。

很多问题场景下所使用的样本并不是独立的，它们彼此之间是具有关联的，而这个关联一般都会用图来表示。

图是一种数据结构，它对一组对象（节点）及其关系（边）进行建模，形成一种特别的度量空间。这个空间仅仅体现和节点之间的关系，它不同于二维、三维之类的空间数据，因此被称为非欧式空间数据。

图神经网络的主要作用是将图结构的数据利用起来，通过机器学习的方法进行拟合、预测。

神经网络是对单个样本的特征进行拟合，而图神经网络在拟合单个样本特征基础之上，又加入了样本间的关系信息，这不但有较好的解释性，而且大大提升了模型性能。

PyTorch 是 Facebook 开发的一套开源深度学习框架，于2017年初发布，之后迅速称为 AI 研究者广泛使用的框架。

PyTorch 是当今深度学习领域最热门的框架之一。在 GitHub 上，其排名与 TensorFlow 旗鼓相当。

目前，越来越多的学术论文研究人员更倾向于使用 PyTorch 开发自己的模型，因此推荐初学者和科研人员优先选择 PyTorch 进行开发。

PyTorch 是用 C++ 开发的，并使用 Python 来驱动应用。利用 C++ 开发可以保证其运行的效率；Python 作为其上层应用语言，可以为研究人员节省大量的开发时间。

相比其他深度学习框架，PyTorch 的优点如下：