高柏学院-人工智能深度学习系统课程（第十四期）

这套第十四期课程的主题落在图神经网络（GNN）上，属于深度学习里相对独立的一个分支方向。它不是那种从感知机讲到Transformer的通识课，而是把范围收窄到「图结构数据怎么建模」这一件事上，然后用 PyTorch Geometric 这条技术路线把它落地。

技术栈与依赖关系

课程的核心工具链是 PyTorch + PyTorch Geometric（PyG）。这个选择本身值得说明：图数据的难点不在模型层，而在数据层——节点、边、邻接矩阵、批处理时的图拼接（batching）、稀疏表示、消息传递的索引操作，这些在普通 CNN/RNN 里不存在。PyG 把Data、DataLoader、MessagePassing这几层抽象做成了固定接口，课程围绕它展开，意味着你学到的东西可以直接迁移到自己的数据集上，而不是停在一个写死的 demo 里。

如果你之前只用过torchvision处理图像，建议先补一下 PyTorch 的Dataset与collate_fn机制。图数据里一个 batch 的样本图节点数不同，拼接逻辑和图像堆叠完全不一样，这是很多人第一次做 GNN 时卡住的地方。

内容覆盖的几个方向

• 图卷积（GCN）类方法：如何把卷积的概念从规则网格推广到不规则邻域，聚合函数怎么定义。
• 图注意力（GAT）类方法：用注意力权重替代固定归一化系数，处理邻居重要性不均的场景。
• 时序与 GNN 的结合：这部分出现在方向 D 的目录结构里，处理的是动态图或带时间维度的图数据。
• 图相似度与论文分析：包含对具体论文的拆解，从任务定义一路讲到结果输出，属于偏研究性质的模块。

其中图相似度这一块是相对少见的切入角度。多数 GNN 教程停在节点分类和链路预测，而图级别的相似度计算涉及图池化、全局特征提取、NTN 模块等更细的设计选择。课程里有专门一段讲「图模型如何同时提取全局与局部特征」，并对 NTN 模块的作用与效果做了分析，这部分适合想往图匹配、图检索方向走的人对照源码去看。

可复用的工程模块

从资料组织方式看，这套内容是按「任务分析 → 方法概述 → 模型设计 → 模块实现 → 结果输出」的链路推进的，而不是按 API 逐个讲。这种结构的好处是，每一段都能对应到你项目里的一个环节：定义清楚要解决什么图任务、选定基线方法、改造消息传递层、跑通评估与输出。PyG 的MessagePassing基类只要改message、aggregate、update三个方法就能定义新层，课程里的几种模型基本都是这个套路，学完一遍你应该能自己拼出变体。

另外，论文分析部分通常会给出一套「读论文 → 复现关键模块 → 验证效果」的工作流。这套流程本身比具体某个模型更保值，因为 GNN 方向的论文迭代很快，工具会变，但拆解和复现的方法不变。

适合怎样的自学方式

建议不要按视频顺序空看。更有效的做法是：先确认自己有没有一张可用的图数据集（Cora、Citeseer 这类引文网络够用），然后把环境搭起来，跑通一个最小 GCN；再回到课程里对照它讲的模型结构，逐层改自己的实现，改完看指标变化。图相似度、时序 GNN 这两块偏深，如果当前项目用不到，可以先跳过，等遇到具体问题再回来查对应章节。

整体上，这份资料的价值在于它有完整的论文级模块拆解和 PyG 实现路径，适合当作动手时的对照参考，而不是一次性看完的视频合集。把它当成「边写代码边查的手册」来用，回报率会高很多。