更新时间：2023-08-10 16:35:40
封面
版权信息
内容简介
前言
第1章 深度学习基础
1.1 深度学习与人工智能
1.2 感知机与神经网络
1.2.1 单层感知机
1.2.2 多层感知机
1.3 前馈神经网络
1.3.1 前馈神经网络的模型
1.3.2 前馈神经网络的学习
1.4 卷积神经网络
1.4.1 图像数据的存储
1.4.2 传统图像处理算子
1.4.3 卷积
1.4.4 池化
1.4.5 填充
1.4.6 步幅
1.4.7 典型的卷积神经网络结构
1.4.8 卷积神经网络与多层感知机的差别
1.5 深度学习训练的最优化算法
1.6 深度学习中的过拟合和欠拟合
1.7 本章小结
第2章 图基础
2.1 图的结构
2.2 图的性质
2.3 图数据的存储
2.4 图与拉普拉斯矩阵
2.5 图神经网络简史
2.5.1 挑战
2.5.2 发展简史
2.6 图的任务与应用
2.6.1 图的任务
2.6.2 图神经网络的应用
2.7 本章小结
第3章 图表示学习
3.1 图表示学习的意义
3.2 基于矩阵分解的图表示学习方法
3.3 基于随机游走的图表示学习
3.3.1 Word2Vec算法
3.3.2 DeepWalk
3.3.3 Node2Vec
3.3.4 随机游走模型的优化策略
3.3.5 其他随机游走方法
3.4 基于深度学习的图表示学习
3.4.1 局域相似度和全局相似度
3.4.2 SDNE算法结构图
3.5 异质图表示学习
3.6 本章小结
第4章 图卷积神经网络
4.1 图与图像的差异
4.2 传统图信号处理方法
4.3 谱域图卷积神经网络
4.3.1 谱卷积神经网络
4.3.2 切比雪夫网络
4.3.3 图卷积神经网络
4.3.4 谱域图卷积的特点
4.4 空域图卷积神经网络
4.4.1 图卷积神经网络空域理解
4.4.2 GraphSAGE模型
4.5 本章小结
第5章 图注意力网络
5.1 注意力机制
5.1.1 注意力机制的变体
5.1.2 注意力机制的优势
5.1.3 应用场景
5.2 同质图注意力网络
5.2.1 图注意力层
5.2.2 多头注意力
5.3 异质图注意力网络
5.3.1 顶点级别注意力
5.3.2 语义级别注意力
5.4 门控注意力网络
5.5 层次图注意力网络
5.5.1 视觉关系检测
5.5.2 层次图注意力网络模型框架
5.6 本章小结
第6章 图序列神经网络
6.1 传统序列神经网络
6.1.1 循环神经网络
6.1.2 长短期记忆神经网络
6.1.3 门控循环神经网络
6.2 门控序列图神经网络
6.3 树与图结构的LSTM神经网络
6.3.1 非线性结构的LSTM模型
6.3.2 GraphLSTM模型
6.4 本章小结
第7章 图卷积神经网络扩展模型
7.1 GCN模型的过平滑问题
7.2 层采样加速GCN
7.3 关系图卷积神经网络
7.3.1 R-GCN迭代关系
7.3.2 R-GCN可学习参数正则化
7.3.3 R-GCN应用场景
7.4 本章小结
第8章 图深度学习框架
8.1 统一编程范式
8.1.1 MPNN
8.1.2 NLNN
