【邁向圖神經網絡GNN】Part1:圖數據的基本元素與應用
GNN發展背景
傳統的深度學習模型如在計算機視覺（CV）和自然語言處理（NLP）領域中極為成功，主要是處理結構化數據如影像和文本。這些數據類型通常具有固定且規律的結構，例如影像是由有序的像素點組成。然而，在真實世界中，許多數據是非結構化的，如化合物結構（原子和分子）。這些數據雖然具有一定的規則性，但其靈活性和複雜性遠超過一般的圖像數據。因此，為了有效處理這類複雜的圖形數據，圖神經網絡（GNN）應運而生。
圖（Graph）的基本定義
圖是由以下三個基本元素構成的數據結構：
- 節點（Node）：也稱為端點，代表單個數據實體，如化合物中的原子或社交網絡中的個人。節點儲存有關其本身的屬性信息。
- 邊（Edge）：也稱為連結，描述節點間的關係，如化合物中的化學鍵或社交關係中的友誼連結。邊可以具有方向性，並可能帶有權重。
- 全局（Global）：描述整個圖的通用屬性，如化合物的總體性質或社交網絡的類型。在某些模型中，可能會有一個稱為主節點（master node）的特殊節點來代表整個圖。
GNN可解決的問題類型
- 圖層級任務（Graph-level Task）：處理整個圖的屬性，例如預測一種化合物是否具毒性或某社交網絡的屬性。
- 節點層級任務（Node-level Task）：針對單個節點的屬性進行分析，如確定社交網絡中某人的社交圈層。
- 邊層級任務（Edge-level Task）：分析節點之間的關聯性，這在許多場景解析中尤為重要，比如理解不同物件間在圖片中的相互作用。
這篇介紹旨在為讀者提供對GNN和圖數據結構的基本理解。在未來的系列中，我們將深入探討GNN的技術細節和更多實際應用案例。敬請期待！
參考資料
33會員
43內容數
歡迎來到《桃花源記》專欄。這裡不僅是一個文字的集合，更是一個探索、夢想和自我發現的空間。在這個專欄中，我們將一同走進那些隱藏在日常生活中的"桃花源"——那些讓我們心動、讓我們反思、讓我們找到內心平靜的時刻和地方
留言0
查看全部
你可能也想看
Google News 追蹤
現代社會跟以前不同了，人人都有一支手機，只要打開就可以獲得各種資訊。過去想要辦卡或是開戶就要跑一趟銀行，然而如今科技快速發展之下，金融App無聲無息地進到你生活中。但同樣的，每一家銀行都有自己的App時，我們又該如何選擇呢？(本文係由國泰世華銀行邀約)
今天我會用不同角度帶大家看這款國泰世華CUB
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
本文探討了影像生成模型的多種應用，包括文字、圖像和聲音到影片的生成，涵蓋了GAN、Transformer和Diffusion等技術。透過回顧相關研究，分析影像生成技術的未來趨勢與挑戰，為讀者提供全面的理解與啟示。
前言
讀了許多理論，是時候實際動手做做看了，以下是我的模型訓練初體驗，有點糟就是了XD。
正文
def conv(filters, kernel_size, strides=1):
return Conv2D(filters,
kernel_size,
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
此篇調查論文探討了Diffusion模型在文字、圖片和聲音轉換為影片，以及影片衍生和編輯的應用類型。作者也介紹了U-Net架構和Vision Transformer等生成圖像架構，並詳細探討了訓練模型的方法以及不同的影像資料集來源。
上圖是根據彩色故事腳本生成的照片與草圖。
運用圖生圖的原理，把AI視覺故事腳本的其中一個畫面。擷取出來。
輸入重新繪製這張圖片
AI 會自然根據草圖，重新繪製元素一樣的精細畫面。
這篇文章討論了自然語言處理技術的發展歷程，從語言模型的引入到深度學習的應用。作者觀察到現今GPT在產出中文國學內容時的深度不足，並提出了自然語言處理領域的倫理使用和版權問題，以及對大眾的影響。最後，作者探討了個人在自然語言領域的發展可能性。
卷積神經網路（CNN）是一種專門用於影像相關應用的神經網路。本文介紹了CNN在影像辨識中的應用，包括圖片的組成、Receptive Field、Parameter Sharing、以及Pooling等技術。通過本文，讀者將瞭解CNN在影像辨識領域的優勢和運作原理。
大語言模型能夠生成文本，因此被認為是生成式人工智慧的一種形式。
人工智慧的學科任務，是製作機器，使其能執行需要人類智慧才能執行的任務，例如理解語言，便是模式，做出決策。
除了大語言模型，人工智慧也包含了深度學習以及機器學習。
機器學習的學科任務，是透過演算法來實踐AI。
特別
在數位化的世界中，用戶介面和信息圖表等視覺元素扮演著越來越重要的角色，而ScreenAI的開發為自然語言處理和計算機視覺的融合開啟了新的可能性。
點陣圖
點陣圖是由許多方格像素組成的圖片， 因此我們常常在將圖片放大時會呈現像是馬賽克的狀況， 假設期望圖片越清晰那所需要的像素會較多個， 因此空間耗用量也相對較大。
常見的格式有: .JPG .PNG .GIF .BMP .TIFF等格式。
繪製程式碼:
向量圖
向量
現代社會跟以前不同了，人人都有一支手機，只要打開就可以獲得各種資訊。過去想要辦卡或是開戶就要跑一趟銀行，然而如今科技快速發展之下，金融App無聲無息地進到你生活中。但同樣的，每一家銀行都有自己的App時，我們又該如何選擇呢？(本文係由國泰世華銀行邀約)
今天我會用不同角度帶大家看這款國泰世華CUB
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
本文探討了影像生成模型的多種應用，包括文字、圖像和聲音到影片的生成，涵蓋了GAN、Transformer和Diffusion等技術。透過回顧相關研究，分析影像生成技術的未來趨勢與挑戰，為讀者提供全面的理解與啟示。
前言
讀了許多理論，是時候實際動手做做看了，以下是我的模型訓練初體驗，有點糟就是了XD。
正文
def conv(filters, kernel_size, strides=1):
return Conv2D(filters,
kernel_size,
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
此篇調查論文探討了Diffusion模型在文字、圖片和聲音轉換為影片，以及影片衍生和編輯的應用類型。作者也介紹了U-Net架構和Vision Transformer等生成圖像架構，並詳細探討了訓練模型的方法以及不同的影像資料集來源。
上圖是根據彩色故事腳本生成的照片與草圖。
運用圖生圖的原理，把AI視覺故事腳本的其中一個畫面。擷取出來。
輸入重新繪製這張圖片
AI 會自然根據草圖，重新繪製元素一樣的精細畫面。
這篇文章討論了自然語言處理技術的發展歷程，從語言模型的引入到深度學習的應用。作者觀察到現今GPT在產出中文國學內容時的深度不足，並提出了自然語言處理領域的倫理使用和版權問題，以及對大眾的影響。最後，作者探討了個人在自然語言領域的發展可能性。
卷積神經網路（CNN）是一種專門用於影像相關應用的神經網路。本文介紹了CNN在影像辨識中的應用，包括圖片的組成、Receptive Field、Parameter Sharing、以及Pooling等技術。通過本文，讀者將瞭解CNN在影像辨識領域的優勢和運作原理。
大語言模型能夠生成文本，因此被認為是生成式人工智慧的一種形式。
人工智慧的學科任務，是製作機器，使其能執行需要人類智慧才能執行的任務，例如理解語言，便是模式，做出決策。
除了大語言模型，人工智慧也包含了深度學習以及機器學習。
機器學習的學科任務，是透過演算法來實踐AI。
特別
在數位化的世界中，用戶介面和信息圖表等視覺元素扮演著越來越重要的角色，而ScreenAI的開發為自然語言處理和計算機視覺的融合開啟了新的可能性。
點陣圖
點陣圖是由許多方格像素組成的圖片， 因此我們常常在將圖片放大時會呈現像是馬賽克的狀況， 假設期望圖片越清晰那所需要的像素會較多個， 因此空間耗用量也相對較大。
常見的格式有: .JPG .PNG .GIF .BMP .TIFF等格式。
繪製程式碼:
向量圖
向量