前言

大家好，我是阿光。

本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。

正在更新中~ ✨

🚨 我的项目环境：

平台：Windows10语言环境：python3.7编译器：PyCharmPyTorch版本：1.11.0PyG版本：2.1.0

🌠 『精品学习专栏导航帖』

🐧【Matplotlib绘制图像目录】Python数据可视化之美🐧

🎠【Pandas数据处理100例目录】Python数据分析玩转Excel表格数据🎠

🐳最适合入门的100个深度学习实战项目🐳

🐙【PyTorch深度学习项目实战100例目录】项目详解 + 数据集 + 完整源码🐙

🐶【机器学习入门项目10例目录】项目详解 + 数据集 + 完整源码🐶

🦜【机器学习项目实战10例目录】项目详解 + 数据集 + 完整源码🦜

🐌Java经典编程100例🐌

🦋Python经典编程100例🦋

🦄蓝桥杯历届真题题目+解析+代码+答案🦄

🐯【2023王道数据结构目录】课后算法设计题C、C++代码实现完整版大全🐯

对于本专栏的网络模型，分别使用了三种实现方式 PyG框架实现、PyTorch实现、Message Passing消息传递机制实现，小伙伴可以按照自己的能力以及需求学习不同的实现方式。

注意 🚨：本目录中已存在的链接博文已全部写好，例如 + （一）：节点分类 这类带有删除线的文章表示正在更新中，如果写完会去掉删除线，点击出现404表示文章还没有发布，后续根据情况陆续发布。

🌈『目录』

📢 PyG算子、数据集介绍

（一）：PyG内置常见图数据集一览表（二）：PyG图神经网络算子一览表

📢 图神经网络常见任务与应用场景

（一）：节点分类（PyG基于GCN实现Cora节点分类任务）（二）：图分类（PyG基于GCN实现MUTAG图分类任务）

+ （三）：链路预测

+ （四）：异常检测

+ （五）：社区检测

📢 图嵌入学习（Graph Embedding）

（一）：DeepWalk（PyG基于DeepWalk实现节点分类及其可视化）（二）：Node2Vec（PyG基于Node2Vec实现节点分类及其可视化）（三）：MetaPath2Vec（PyG基于MetaPath2Vec实现节点分类及其可视化）

+ （三）：LINE

📢 图池化（Graph Pooling）

（一）：EdgePool（Pytorch+PyG实现EdgePool实现图分类）（二）：TopKPool（Pytorch+PyG实现TopKPool实现图分类）（三）：SAGPool（Pytorch+PyG实现SAGPool实现图分类）（四）：ASAPool（Pytorch+PyG实现ASAPool实现图分类）

📢 MLP

（一）：Pytorch+PyG实现MLP(基于PyG实现)（二）：Pytorch实现MLP(基于PyTorch实现)

📢 GCN

（一）：Pytorch+PyG实现GCN(基于PyG实现)（二）：Pytorch实现GCN(基于PyTorch实现)（三）：Pytorch实现GCN(基于Message Passing消息传递机制实现)

📢 GAT

（一）：Pytorch+PyG实现GAT(基于PyG实现)（二）：Pytorch实现GAT(基于PyTorch实现)（三）：Pytorch实现GAT(基于Message Passing消息传递机制实现)

📢 GIN

（一）：Pytorch+PyG实现GIN(基于PyG实现)（二）：Pytorch实现GIN(基于PyTorch实现)（三）：Pytorch实现GIN(基于Message Passing消息传递机制实现)

📢 GraphSAGE

（一）：Pytorch+PyG实现GraphSAGE(基于PyG实现)（二）：Pytorch实现GraphSAGE(基于PyTorch实现)（三）：Pytorch实现GraphSAGE(基于Message Passing消息传递机制实现)

📢 EdgeCNN

（一）：Pytorch+PyG实现EdgeCNN(基于PyG实现)（二）：Pytorch实现EdgeCNN(基于PyTorch实现)（三）：Pytorch实现EdgeCNN(基于Message Passing消息传递机制实现)

📢 GraphConv

（一）：Pytorch+PyG实现GraphConv(基于PyG实现)（二）：Pytorch实现GraphConv(基于PyTorch实现)（三）：Pytorch实现GraphConv(基于Message Passing消息传递机制实现)

注意🚨：所有文章使用的图数据是经典的 Cora 数据集，定义的训练轮数（200轮）以及损失函数优化器都是一致的，由于图网络很容易过拟合导致训练集的分类精度达到 99.9%，所以下表中显示的数据都是基于测试集的。