圖卷積網(wǎng)絡(luò)，為什么沒有彩色圖像的卷積神經(jīng)網(wǎng)絡(luò)

來源：整理時(shí)間：2023-08-23 08:56:44 編輯：智能門戶手機(jī)版

本文目錄一覽

1，為什么沒有彩色圖像的卷積神經(jīng)網(wǎng)絡(luò)
2，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的
3，訓(xùn)練一個(gè)圖像識(shí)別分類的卷積神經(jīng)網(wǎng)絡(luò)使用什么配置的電腦比較好
4，卷積神經(jīng)網(wǎng)絡(luò)怎么用于比較圖片
5，為什么有圖卷積神經(jīng)網(wǎng)絡(luò)
6，什么是圖神經(jīng)網(wǎng)絡(luò)

1，為什么沒有彩色圖像的卷積神經(jīng)網(wǎng)絡(luò)

那么在你發(fā)視頻的時(shí)候但是對(duì)方只能看到你的視頻發(fā)起你自己會(huì)能看到自己的圖像對(duì)方?jīng)]有接看不到你的圖像

卷積神經(jīng)網(wǎng)絡(luò)有以下幾種應(yīng)用可供研究： 1、基于卷積網(wǎng)絡(luò)的形狀識(shí)別物體的形狀是人的視覺系統(tǒng)分析和識(shí)別物體的基礎(chǔ)，幾何形狀是物體的本質(zhì)特征的表現(xiàn)，并具有平移、縮放和旋轉(zhuǎn)不變等特點(diǎn)，所以在模式識(shí)別領(lǐng)域，對(duì)于形狀的分析和識(shí)別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識(shí)別是三維圖像識(shí)別的基礎(chǔ)。 2、基于卷積網(wǎng)絡(luò)的人臉檢測(cè) 卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的人臉檢測(cè)方法不同，它是通過直接作用于輸入樣本，用樣本來訓(xùn)練網(wǎng)絡(luò)并最終實(shí)現(xiàn)檢測(cè)任務(wù)的。它是非參數(shù)型的人臉檢測(cè)方法，可以省去傳統(tǒng)方法中建模、參數(shù)估計(jì)以及參數(shù)檢驗(yàn)、重建模型等的一系列復(fù)雜過程。本文針對(duì)圖像中任意大小、位置、姿勢(shì)、方向、膚色、面部表情和光照條件的人臉。 3、文字識(shí)別系統(tǒng) 在經(jīng)典的模式識(shí)別中，一般是事先提取特征。提取諸多特征后，要對(duì)這些特征進(jìn)行相關(guān)性分析，找到最能代表字符的特征，去掉對(duì)分類無關(guān)和自相關(guān)的特征。然而，這些特征的提取太過依賴人的經(jīng)驗(yàn)和主觀意識(shí)，提取到的特征的不同對(duì)分類性能影響很大，甚至提取的特征的順序也會(huì)影響最后的分類性能。同時(shí)，圖像預(yù)處理的好壞也會(huì)影響到提取的特征。

為什么沒有彩色圖像的卷積神經(jīng)網(wǎng)絡(luò)

2，卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的

卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成?！　D：卷積神經(jīng)網(wǎng)絡(luò)的概念示范：輸入圖像通過和三個(gè)可訓(xùn)練的濾波器和可加偏置進(jìn)行卷積，濾波過程如圖一，卷積后在c1層產(chǎn)生三個(gè)特征映射圖，然后特征映射圖中每組的四個(gè)像素再進(jìn)行求和，加權(quán)值，加偏置，通過一個(gè)sigmoid函數(shù)得到三個(gè)s2層的特征映射圖。這些映射圖再進(jìn)過濾波得到c3層。這個(gè)層級(jí)結(jié)構(gòu)再和s2一樣產(chǎn)生s4。最終，這些像素值被光柵化，并連接成一個(gè)向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，得到輸出?！　∫话愕兀琧層為特征提取層，每個(gè)神經(jīng)元的輸入與前一層的局部感受野相連，并提取該局部的特征，一旦該局部特征被提取后，它與其他特征間的位置關(guān)系也隨之確定下來；s層是特征映射層，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射為一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。　　此外，由于一個(gè)映射面上的神經(jīng)元共享權(quán)值，因而減少了網(wǎng)絡(luò)自由參數(shù)的個(gè)數(shù)，降低了網(wǎng)絡(luò)參數(shù)選擇的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)中的每一個(gè)特征提取層（c-層）都緊跟著一個(gè)用來求局部平均與二次提取的計(jì)算層（s-層），這種特有的兩次特征提取結(jié)構(gòu)使網(wǎng)絡(luò)在識(shí)別時(shí)對(duì)輸入樣本有較高的畸變?nèi)萑棠芰Α?/section>

可以啊，但是沒必要，卷積網(wǎng)本身就能夠自動(dòng)智能的提取特征，你只要設(shè)計(jì)好網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)卷積提取多少個(gè)特征就行了。

卷積神經(jīng)網(wǎng)絡(luò)每層提取的特征是什么樣的

3，訓(xùn)練一個(gè)圖像識(shí)別分類的卷積神經(jīng)網(wǎng)絡(luò)使用什么配置的電腦比較好

看你的描述這么專業(yè)，最后怎么問的有點(diǎn)外行，既然系統(tǒng)做圖像識(shí)別的學(xué)習(xí)，肯定是需要大數(shù)據(jù)配合，電腦哪里處理的了，要用服務(wù)器，如果是初級(jí)應(yīng)用，那么性能不一定要多強(qiáng)，兩臺(tái)入門級(jí)的服務(wù)器吧，因?yàn)榭梢灾С侄嗑€程處理，為了節(jié)約，可以買國產(chǎn)的塔式服務(wù)器，便宜而且可以不用機(jī)柜，現(xiàn)在的服務(wù)器大多也都是千兆網(wǎng)卡了，不用特意要求，主要在內(nèi)存和硬盤，現(xiàn)在的服務(wù)器瓶頸就是數(shù)據(jù)讀取速度，資金允許就配固態(tài)盤做數(shù)據(jù)盤，配合前兆網(wǎng)卡和兩臺(tái)服務(wù)器處理能力，完美的學(xué)習(xí)環(huán)境。

訓(xùn)練一個(gè)圖像識(shí)別分類的卷積神經(jīng)網(wǎng)絡(luò)使用什么配置的電腦比較好

4，卷積神經(jīng)網(wǎng)絡(luò)怎么用于比較圖片

卷積神經(jīng)網(wǎng)絡(luò)有以下幾種應(yīng)用可供研究：1、基于卷積網(wǎng)絡(luò)的形狀識(shí)別物體的形狀是人的視覺系統(tǒng)分析和識(shí)別物體的基礎(chǔ)，幾何形狀是物體的本質(zhì)特征的表現(xiàn)，并具有平移、縮放和旋轉(zhuǎn)不變等特點(diǎn)，所以在模式識(shí)別領(lǐng)域，對(duì)于形狀的分析和識(shí)別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識(shí)別是三維圖像識(shí)別的基礎(chǔ)。2、基于卷積網(wǎng)絡(luò)的人臉檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的人臉檢測(cè)方法不同，它是通過直接作用于輸入樣本，用樣本來訓(xùn)練網(wǎng)絡(luò)并最終實(shí)現(xiàn)檢測(cè)任務(wù)的。它是非參數(shù)型的人臉檢測(cè)方法，可以省去傳統(tǒng)方法中建模、參數(shù)估計(jì)以及參數(shù)檢驗(yàn)、重建模型等的一系列復(fù)雜過程。本文針對(duì)圖像中任意大小、位置、姿勢(shì)、方向、膚色、面部表情和光照條件的人臉。3、文字識(shí)別系統(tǒng)在經(jīng)典的模式識(shí)別中，一般是事先提取特征。提取諸多特征后，要對(duì)這些特征進(jìn)行相關(guān)性分析，找到最能代表字符的特征，去掉對(duì)分類無關(guān)和自相關(guān)的特征。然而，這些特征的提取太過依賴人的經(jīng)驗(yàn)和主觀意識(shí)，提取到的特征的不同對(duì)分類性能影響很大，甚至提取的特征的順序也會(huì)影響最后的分類性能。同時(shí)，圖像預(yù)處理的好壞也會(huì)影響到提取的特征。

SVM方面，首選的肯定是LIBSVM這個(gè)庫，應(yīng)該是應(yīng)用最廣的機(jī)器學(xué)習(xí)庫了。下面主要推薦一些DeepLearning的GitHub項(xiàng)目吧！1. convnetjs - Star:2200+實(shí)現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)，可以用來做分類，回歸，強(qiáng)化學(xué)習(xí)等。2. DeepLearn Toolbox - Star:1000+Matlab實(shí)現(xiàn)中最熱的庫存，包括了CNN,DBN,SAE,CAE等主流模型。3. Deep Learning(yusugomo) - Star:800+實(shí)現(xiàn)了深度學(xué)習(xí)網(wǎng)絡(luò)，從算法與實(shí)現(xiàn)上都比較全，提供了5種語言的實(shí)現(xiàn)：Python,C/C++,Java,Scala，實(shí)現(xiàn)的模型有DBN/CDBN/RBM/CRBM/dA/SdA/LR等。4. Neural-Networks-And-Deep-Learning - Star:500+這是同名書的配套代碼，語言是Python。5. rbm-mnist - Star:200+這個(gè)是hinton matlab代碼的C++改寫版，還實(shí)現(xiàn)了Rasmussen的共軛梯度Conjugate Gradient算法。

5，為什么有圖卷積神經(jīng)網(wǎng)絡(luò)

本質(zhì)上說，世界上所有的數(shù)據(jù)都是拓?fù)浣Y(jié)構(gòu)，也就是網(wǎng)絡(luò)結(jié)構(gòu)，如果能夠把這些網(wǎng)絡(luò)數(shù)據(jù)真正的收集、融合起來，這確實(shí)是實(shí)現(xiàn)了AI智能的第一步。所以，如何利用深度學(xué)習(xí)處理這些復(fù)雜的拓?fù)鋽?shù)據(jù)，如何開創(chuàng)新的處理圖數(shù)據(jù)以及知識(shí)圖譜的智能算法是AI的一個(gè)重要方向。深度學(xué)習(xí)在多個(gè)領(lǐng)域的成功主要?dú)w功于計(jì)算資源的快速發(fā)展（如 GPU）、大量訓(xùn)練數(shù)據(jù)的收集，還有深度學(xué)習(xí)從歐幾里得數(shù)據(jù)（如圖像、文本和視頻）中提取潛在表征的有效性。但是，盡管深度學(xué)習(xí)已經(jīng)在歐幾里得數(shù)據(jù)中取得了很大的成功，但從非歐幾里得域生成的數(shù)據(jù)已經(jīng)取得更廣泛的應(yīng)用，它們需要有效分析。如在電子商務(wù)領(lǐng)域，一個(gè)基于圖的學(xué)習(xí)系統(tǒng)能夠利用用戶和產(chǎn)品之間的交互以實(shí)現(xiàn)高度精準(zhǔn)的推薦。在化學(xué)領(lǐng)域，分子被建模為圖，新藥研發(fā)需要測(cè)定其生物活性。在論文引用網(wǎng)絡(luò)中，論文之間通過引用關(guān)系互相連接，需要將它們分成不同的類別。自2012年以來，深度學(xué)習(xí)在計(jì)算機(jī)視覺以及自然語言處理兩個(gè)領(lǐng)域取得了巨大的成功。假設(shè)有一張圖，要做分類，傳統(tǒng)方法需要手動(dòng)提取一些特征，比如紋理，顏色，或者一些更高級(jí)的特征。然后再把這些特征放到像隨機(jī)森林等分類器，給到一個(gè)輸出標(biāo)簽，告訴它是哪個(gè)類別。而深度學(xué)習(xí)是輸入一張圖，經(jīng)過神經(jīng)網(wǎng)絡(luò)，直接輸出一個(gè)標(biāo)簽。特征提取和分類一步到位，避免了手工提取特征或者人工規(guī)則，從原始數(shù)據(jù)中自動(dòng)化地去提取特征，是一種端到端（end-to-end）的學(xué)習(xí)。相較于傳統(tǒng)的方法，深度學(xué)習(xí)能夠?qū)W習(xí)到更高效的特征與模式。圖數(shù)據(jù)的復(fù)雜性對(duì)現(xiàn)有機(jī)器學(xué)習(xí)算法提出了重大挑戰(zhàn)，因?yàn)閳D數(shù)據(jù)是不規(guī)則的。每張圖大小不同、節(jié)點(diǎn)無序，一張圖中的每個(gè)節(jié)點(diǎn)都有不同數(shù)目的鄰近節(jié)點(diǎn)，使得一些在圖像中容易計(jì)算的重要運(yùn)算（如卷積）不能再直接應(yīng)用于圖。此外，現(xiàn)有機(jī)器學(xué)習(xí)算法的核心假設(shè)是實(shí)例彼此獨(dú)立。然而，圖數(shù)據(jù)中的每個(gè)實(shí)例都與周圍的其它實(shí)例相關(guān)，含有一些復(fù)雜的連接信息，用于捕獲數(shù)據(jù)之間的依賴關(guān)系，包括引用、朋友關(guān)系和相互作用。最近，越來越多的研究開始將深度學(xué)習(xí)方法應(yīng)用到圖數(shù)據(jù)領(lǐng)域。受到深度學(xué)習(xí)領(lǐng)域進(jìn)展的驅(qū)動(dòng)，研究人員在設(shè)計(jì)圖神經(jīng)網(wǎng)絡(luò)的架構(gòu)時(shí)借鑒了卷積網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)和深度自編碼器的思想。為了應(yīng)對(duì)圖數(shù)據(jù)的復(fù)雜性，重要運(yùn)算的泛化和定義在過去幾年中迅速發(fā)展。

首先搞清楚機(jī)器學(xué)習(xí)以及卷積神經(jīng)網(wǎng)絡(luò)概念。其實(shí)卷積神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中的一種算法。主要用于圖像特征提取。而機(jī)器學(xué)習(xí)主要指統(tǒng)計(jì)機(jī)器學(xué)習(xí)。而機(jī)器學(xué)習(xí)有三個(gè)要素：1、模型2、策略3、算法，cnn屬于一種算法。所以沒有什么優(yōu)于的說法。

6，什么是圖神經(jīng)網(wǎng)絡(luò)

圖說的是計(jì)算機(jī)拓?fù)淅锩娴膱D 就是那個(gè)有邊和節(jié)點(diǎn)，有向圖，無向圖的那個(gè)。以這種數(shù)據(jù)結(jié)構(gòu)為輸入并進(jìn)行處理的神經(jīng)網(wǎng)絡(luò)就是圖神經(jīng)網(wǎng)絡(luò)了，結(jié)構(gòu)會(huì)不太一樣，但是大同小異了。

人工神經(jīng)網(wǎng)絡(luò)算法的作用機(jī)理還是比較難理解，現(xiàn)在以一個(gè)例子來說明其原理。這個(gè)例子是關(guān)于人的識(shí)別技術(shù)的，在門禁系統(tǒng)，逃犯識(shí)別，各種驗(yàn)證碼破譯，銀行預(yù)留印鑒簽名比對(duì),機(jī)器人設(shè)計(jì)等領(lǐng)域都有比較好的應(yīng)用前景，當(dāng)然也可以用來做客戶數(shù)據(jù)的挖掘工作，比如建立一個(gè)能篩選滿足某種要求的客戶群的模型。機(jī)器識(shí)別人和我們?nèi)祟愖R(shí)別人的機(jī)理大體相似，看到一個(gè)人也就是識(shí)別對(duì)象以后，我們首先提取其關(guān)鍵的外部特征比如身高，體形，面部特征，聲音等等。根據(jù)這些信息大腦迅速在內(nèi)部尋找相關(guān)的記憶區(qū)間，有這個(gè)人的信息的話，這個(gè)人就是熟人，否則就是陌生人。人工神經(jīng)網(wǎng)絡(luò)就是這種機(jī)理。假設(shè)上圖中x(1)代表我們?yōu)殡娔X輸入的人的面部特征，x(2)代表人的身高特征x(3)代表人的體形特征x(4)代表人的聲音特征w(1)w(2)w(3)w(4)分別代表四種特征的鏈接權(quán)重，這個(gè)權(quán)重非常重要，也是人工神經(jīng)網(wǎng)絡(luò)起作用的核心變量。現(xiàn)在我們隨便找一個(gè)人阿貓站在電腦面前，電腦根據(jù)預(yù)設(shè)變量提取這個(gè)人的信息，阿貓面部怎么樣，身高多少，體形胖瘦，聲音有什么特征，鏈接權(quán)重初始值是隨機(jī)的，假設(shè)每一個(gè)w均是0.25,這時(shí)候電腦按這個(gè)公式自動(dòng)計(jì)算,y=x(1)*w(1)+x(2)*w(2)+x(3)*w(3)+x(4)*w(4)得出一個(gè)結(jié)果y,這個(gè)y要和一個(gè)門檻值（設(shè)為q）進(jìn)行比較，如果y>q,那么電腦就判定這個(gè)人是阿貓,否則判定不是阿貓.由于第一次計(jì)算電腦沒有經(jīng)驗(yàn),所以結(jié)果是隨機(jī)的.一般我們?cè)O(shè)定是正確的,因?yàn)槲覀冚斎氲木褪前⒇埖纳眢w數(shù)據(jù)啊. 現(xiàn)在還是阿貓站在電腦面前,不過阿貓怕被電腦認(rèn)出來,所以換了一件衣服,這個(gè)行為會(huì)影響阿貓的體形,也就是x(3)變了,那么最后計(jì)算的y值也就變了,它和q比較的結(jié)果隨即發(fā)生變化,這時(shí)候電腦的判斷失誤,它的結(jié)論是這個(gè)人不是阿貓.但是我們告訴它這個(gè)人就是阿貓,電腦就會(huì)追溯自己的判斷過程,到底是哪一步出錯(cuò)了,結(jié)果發(fā)現(xiàn)原來阿貓?bào)w形x(3)這個(gè)體征的變化導(dǎo)致了其判斷失誤,很顯然,體形x(3)欺騙了它,這個(gè)屬性在人的識(shí)別中不是那么重要,電腦自動(dòng)修改其權(quán)重w(3),第一次我對(duì)你是0.25的相信,現(xiàn)在我降低信任值,我0.10的相信你.修改了這個(gè)權(quán)重就意味著電腦通過學(xué)習(xí)認(rèn)為體形在判斷一個(gè)人是否是自己認(rèn)識(shí)的人的時(shí)候并不是那么重要.這就是機(jī)器學(xué)習(xí)的一個(gè)循環(huán).我們可以要求阿貓?jiān)俅┮浑p高跟皮鞋改變一下身高這個(gè)屬性,讓電腦再一次進(jìn)行學(xué)習(xí),通過變換所有可能變換的外部特征,輪換讓電腦學(xué)習(xí)記憶,它就會(huì)記住阿貓這個(gè)人比較關(guān)鍵的特征,也就是沒有經(jīng)過修改的特征.也就是電腦通過學(xué)習(xí)會(huì)總結(jié)出識(shí)別阿貓甚至任何一個(gè)人所依賴的關(guān)鍵特征.經(jīng)過阿貓的訓(xùn)練電腦,電腦已經(jīng)非常聰明了,這時(shí)你在讓阿貓換身衣服或者換雙鞋站在電腦前面,電腦都可以迅速的判斷這個(gè)人就是阿貓.因?yàn)殡娔X已經(jīng)不主要依據(jù)這些特征識(shí)別人了,通過改變衣服,身高騙不了它.當(dāng)然,有時(shí)候如果電腦賴以判斷的阿貓關(guān)鍵特征發(fā)生變化,它也會(huì)判斷失誤.我們就不要要求這么高了,不要說電腦,就是人類也無能為力,你的一個(gè)好朋友你經(jīng)過多次的識(shí)記肯定認(rèn)識(shí)吧,但是他整了容你們?cè)诖蠼稚襄忮?你可能覺得這個(gè)人聲音好熟悉,體形好熟悉,----都像自己一個(gè)朋友,就是臉長的不像.你不敢貿(mào)然上去搭訕吧(否定的判斷).因?yàn)槲覀兣卸ㄒ粋€(gè)人是否是自己的朋友的時(shí)候依靠的關(guān)鍵的特征就是面部特征,而他恰恰就是改變了這一特征.當(dāng)然也存在我們把一個(gè)擁有和我們朋友足夠多相似特征的人判定為我們的朋友,這就是認(rèn)錯(cuò)人的現(xiàn)象了.這些問題電腦也會(huì)出現(xiàn). 不過這個(gè)算法還是有比較積極的意義的,實(shí)現(xiàn)了一定程度上的智能化.

神經(jīng)網(wǎng)絡(luò)的興起與應(yīng)用成功推動(dòng)了模式識(shí)別和數(shù)據(jù)挖掘的研究。許多曾經(jīng)嚴(yán)重依賴于手工提取特征的機(jī)器學(xué)習(xí)任務(wù)（如目標(biāo)檢測(cè)、機(jī)器翻譯和語音識(shí)別），如今都已被各種端到端的深度學(xué)習(xí)范式（例如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶（LSTM）和自動(dòng)編碼器）徹底改變了。曾有學(xué)者將本次人工智能浪潮的興起歸因于三個(gè)條件，分別是：計(jì)算資源的快速發(fā)展（如GPU）、大量訓(xùn)練數(shù)據(jù)的可用性、深度學(xué)習(xí)從歐氏空間數(shù)據(jù)中提取潛在特征的有效性盡管傳統(tǒng)的深度學(xué)習(xí)方法被應(yīng)用在提取歐氏空間數(shù)據(jù)的特征方面取得了巨大的成功，但許多實(shí)際應(yīng)用場(chǎng)景中的數(shù)據(jù)是從非歐式空間生成的，傳統(tǒng)的深度學(xué)習(xí)方法在處理非歐式空間數(shù)據(jù)上的表現(xiàn)卻仍難以使人滿意。例如，在電子商務(wù)中，一個(gè)基于圖（Graph）的學(xué)習(xí)系統(tǒng)能夠利用用戶和產(chǎn)品之間的交互來做出非常準(zhǔn)確的推薦，但圖的復(fù)雜性使得現(xiàn)有的深度學(xué)習(xí)算法在處理時(shí)面臨著巨大的挑戰(zhàn)。這是因?yàn)閳D是不規(guī)則的，每個(gè)圖都有一個(gè)大小可變的無序節(jié)點(diǎn)，圖中的每個(gè)節(jié)點(diǎn)都有不同數(shù)量的相鄰節(jié)點(diǎn)，導(dǎo)致一些重要的操作（例如卷積）在圖像（Image）上很容易計(jì)算，但不再適合直接用于圖。此外，現(xiàn)有深度學(xué)習(xí)算法的一個(gè)核心假設(shè)是數(shù)據(jù)樣本之間彼此獨(dú)立。然而，對(duì)于圖來說，情況并非如此，圖中的每個(gè)數(shù)據(jù)樣本（節(jié)點(diǎn)）都會(huì)有邊與圖中其他實(shí)數(shù)據(jù)樣本（節(jié)點(diǎn)）相關(guān)，這些信息可用于捕獲實(shí)例之間的相互依賴關(guān)系。近年來，人們對(duì)深度學(xué)習(xí)方法在圖上的擴(kuò)展越來越感興趣。在多方因素的成功推動(dòng)下，研究人員借鑒了卷積網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)和深度自動(dòng)編碼器的思想，定義和設(shè)計(jì)了用于處理圖數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由此一個(gè)新的研究熱點(diǎn)——“圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNN）”應(yīng)運(yùn)而生，本篇文章主要對(duì)圖神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀進(jìn)行簡單的概述。需要注意的是，圖神經(jīng)網(wǎng)絡(luò)的研究與圖嵌入或網(wǎng)絡(luò)嵌入密切相關(guān)，圖嵌入或網(wǎng)絡(luò)嵌入是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)界日益關(guān)注的另一個(gè)課題。圖嵌入旨在通過保留圖的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和節(jié)點(diǎn)內(nèi)容信息，將圖中頂點(diǎn)表示為低維向量，以便使用簡單的機(jī)器學(xué)習(xí)算法（如，支持向量機(jī)分類）進(jìn)行處理。許多圖嵌入算法通常是無監(jiān)督的算法，它們可以大致可以劃分為三個(gè)類別，即矩陣分解、隨機(jī)游走和深度學(xué)習(xí)方法。同時(shí)圖嵌入的深度學(xué)習(xí)方法也屬于圖神經(jīng)網(wǎng)絡(luò)，包括基于圖自動(dòng)編碼器的算法（如DNGR和SDNE）和無監(jiān)督訓(xùn)練的圖卷積神經(jīng)網(wǎng)絡(luò)（如GraphSage）。