图神经网络
越来越多的新生理论出现，进而出现更先进的算法，AI也是如此。最近兴起的GNN（Graph Neural Network) 进入了视野。这个东西背后的数学原理是啥，和CNN有啥不同？在讲解图神经网络之前，我想引入一个大家或多或少都比较熟悉的问题：旅行商 问题。
这个问题的描述是这样的：
要求商人从某个城市出发，经过且只经过所有城市一次，求路程最短的路径。
这个问题很经典，有时候也经常会遇到。我们很显然的会想到一个方法，将它用矩阵来描述：
这个问题是可以通过动态规划的方式来解决的。假设你从s出发，此时你之前做过的路径都是最优的，也就是so far so good, 那么你只要求出剩下的城市到s的最短路径即可。
当然图神经网络与这些都没有太大的联系。
GNN能解决的问题
简单来说，CNN可以解决图像问题，RNN可以解决序列与序列之间的依赖问题，那么GNN能解决啥？比如说这些东西：
你是否相信未来可能用一个神经网络来解决旅行商问题. 那么这就对了，GNN正是用于处理结构性问题的。
这么讲很多人还是无法理解的，说到底，到底是什么问题需要图神经网络来解决的呢？简单的举两个例子：
- 上面的旅行者问题，我用GNN求解可能是这样的，直接输入城市与与城市的网络图，GNN负责预测出制定出发点开始的最短路径，这是很可行的;
- 上述用途还有点抽象，再举一个很直白的例子，人物百科，每个人物与另外一个人物都会有关系，GNN可以用来输入一个人物（节点），直接输出与他相关的人物（其他节点）。
对于第二个应用，有人会问了，我通过图数据库查询也能做到，要GAN干啥。这种问题其实很早之前就讨论过，神经网络求最优值也可以通过暴力枚举来求解，对话机器人又可以通过数据库查询来求解，但是问题是二者存在本质的区别：神经网络是通过学习进行预测的。
总结之，本质上GNN解决的问题是：图中的每一个节点都和一个label相关，GNN就是我们希望的工具，它能预测出每个节点的label。
有了label，不就有了训练神经网络的可能？
说道这里，我们就需要对GNN从入门到高级进行定位了，首先很直接的，它能解决的问题是：
- 节点分类;
负责预测图上的没一个节点的类别。说了这么多，GNN的应用并不像图片分类，目标检测，序列预测，文本生成那么直观。但是在点云领域却很有用途！！，比如寻找到点云中每个点之间的关系，找到meshs表面之间的关系，对于3D的应用可能会比2D图像更有效。这也是未来自动驾驶，机器人领域以及AI技术落地必不可少的一环。
Graph Nerual Networks 实例
下面来上手万一玩：
首先我们安装一下 torch-geometric 这个包：
$ pip install --upgrade torch-scatter
$ pip install --upgrade torch-sparse
$ pip install --upgrade torch-cluster
$ pip install --upgrade torch-spline-conv (optional)
$ pip install torch-geometric
非常简单的一段代码：
import torch
from torch_geometric.data import Data
edge_index = torch.tensor([[0, 1, 1, 2],
[1, 0, 2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [0], [1]], dtype=torch.float)
data = Data(x=x, edge_index=edge_index)
print(data)
