大部分處理影像的神經網路，例如簡單的神經網路、CNN、物件偵測、語義分割、臉部辨識等，都是以像素為輸入特徵，圖神經網路 (GNN) 則是以圖形理論 (Graph Theory) 為基礎，以向量作為輸入，內含節點 (Node) 及邊 (Edge)，如下圖，以圖形表達集團交叉持股的關係及持股比例。
圖神經網路 (Graph Neural Network, GNN)，可以應用到許多方面：
●物理 (Physical System)，例如3D物件 (Particles) 的座標與關聯。●化學 (Chemistry)：例如分子結構 (Molecules)。
●地理 (Geography)：地圖、交通、道路等，可表達A點到B點的距離、時間、方向等。
●醫學：藥物間的交互作用 (Drug-drug interaction)。
●影像：向量圖、影像分類…等。
●文字：文章引用、語意分析、知識圖譜 (Knowledge Graph)，例如各種機率分配的關聯…等。
●商品推薦：相似或互補商品的關聯、組合包 (Sales kits) …等。
●商業應用：產品製造清單 (BOM)、集團交叉持股…等。
●社群軟體：社交圈 (Social Circle) 偵測、追蹤 (Follow) / 被追蹤關係、假新聞的辨識與追蹤。
圖形理論應用的層面非常廣泛，因此，近幾年學者也試圖結合神經網路，進行各種更進階、複雜的任務。
目前支援圖神經網路的套件至少有三個：
1. PyTorch Geometric (PyG)：建置在PyTorch之上。
2. Deep Graph Library (DGL)：建置在PyTorch、TensorFlow及MXNet之上。
3. Spektral：建置在TensorFlow 2/Keras之上。
『開發者傳授 PyTorch 秘笈』一書有詳盡的介紹，包括：
★圖形理論概論。
★NetworkX套件的使用。
★圖形理論應用。
★GNN主要的神經層：『圖卷積神經網路』 (Graph Convolutional Network, GCN)，與PyTorch整合。
★GNN範例實作。
本文節錄自深智數位出版之《開發者傳授 PyTorch 秘笈》。
