近年来，深度学习是人工智能领域的核心技术。随着人工智能的不断深入发展，人工智能有了今天的兴起和落地。在深入学习方面，我们必须提到图形神经网络(GNN)。毕竟，图形神经网络是深度学习技术的基础和基础。下面的编辑将在三分钟内让你解释这个图形神经网络。主要内容包括图形神经网络的定义、兴起和使用。让我们来看看它。

解扰图神经网络

1.图神经网络的定义

GNN全名图神经网络，这里G是图(图)的意思，GNN是很重要的，因为图是非常重要的。图像是计算机科学中一种非常重要的数据结构。计算机科学有一门名为"离散数学"的必修课。这听起来像是数学的一个分支，但是对于"离散数学"的边界在哪里还没有统一的结论。但有一点认识到，离散数学教科书的所有版本都是不容错过的，那就是"图论"，它讨论了一种叫做"图"的数据结构。GNN中的"图"指图论中的"图"。

那么，"图"到底是什么呢？只有两个，即顶点(顶点)和边缘(Edge)。所谓的顶点是网络拓扑图中的节点，如网络拓扑图中的PC、服务器和路由器，所谓的边缘是连接这些网络节点的线。因此，图的应用非常广泛，网络拓扑图是一种非常典型的图形结构。

2.图形神经网络的兴起

图形神经网络的出现本质上是一种新技术的兴起，那么为什么要推出这种新技术呢？"要推出一项新的技术，潜台词就是说原来的技术有缺点，我们可以看看CNN和RNN的缺点。直截了当地说，这是数据结构，而模型是提供数据的，这一点我们都知道。然而，现有的深度学习模型，无论是cnn，还是rnn，等等，都对数据的数据结构提出了要求，这种结构必须是欧氏结构。广场是欧几里得结构，军事训练列队方阵，水平和垂直是一个人旁边的一个人，这是典型的欧几里德结构。图是一种非欧氏结构，因此无法用传统的深度模型来处理。因此，研究人员开发了一种图形神经网络。

3.图形神经网络的应用

近年来，深度学习带来了人脸识别、语音辅助和机器翻译的成功应用。这三种场景的背后是三种类型的数据：图像、声音和文本。在这三种情境下实现深度学习突破的关键是其背后的端到端学习机制。此外，业界认为大规模图神经网络是认知智能计算的一种强有力的推理方法。图神经网络将深度神经网络从传统的非结构化数据处理扩展到更高层次的结构化数据。不仅如此，图形还具有很强的语义可视化能力，这一优势为所有GNN模型所共有。例如，在异常交易帐户识别的情况下，GNN可以将帐户的本地子图判断为异常帐户。