序
在深度神經網路技術剛剛興起的那幾年，圖型、語音、文字等形式的資料已經可以在深度學習中被極佳地應用，並獲得了很好的效果，這促使大量的相關應用進入實用階段，如人臉辨識、語音幫手和機器翻譯等。儘管如此，深度學習一直無法極佳地對其他形式的資料 (如圖資料) 進行有效處理。圖資料在業界有更多的應用場景，如社群網站場景中，可以找到圖資料的應用。圖神經網路的出現極佳地填補了上述技術空白，實現了圖資料與深度學習技術的有效結合。圖神經網路是一類基於深度學習處理圖域資訊的方法。它是圖型分析方法與深度神經網路的融合，涉及神經網路和圖型分析的知識。
本書特色
(1) 知識系統，逐層遞進
(2) 內容貼近技術趨勢
本書介紹的知識與近年來發表的圖神經網路論文中涉及的技術同步。為了拓寬讀者的視野，本書在介紹原理和應用的同時，還附上相關的論文編號。
(3) 圖文結合，化繁為簡
本書在介紹模型結構、技術原理的同時，配有大量插圖。這些圖將模型中的資料流程向視覺化，展示模型擬合能力，細化某種技術的內部原理，直觀反映模型的內部結構，方便讀者簡單、方便地了解和掌握相關知識。
(4) 理論和實踐相結合，便於讀者學以致用
本書在撰寫時採用了兩種介紹知識的方式：
? 先介紹基礎知識，再對該基礎知識進行程式實現；
? 直接從實例入手，在實現過程中，對對應基礎知識進行詳解。
為了不讓讀者閱讀時感到枯燥，本書將上述兩種方式穿插使用。
在重要的基礎知識後面，本書用特殊格式的文字列出提示，這些提示是作者多年的經驗累積，希望可以幫助讀者在學習過程中掃除障礙，消除困惑，抓住重點。
(5) 在基礎原理之上，注重通用規律
從原理的角度介紹深度學習與圖神經網路是本書的一大亮點。本書說明的原理不是晦澀的數學公式，而是通俗易懂、化繁為簡的知識。本書從單一神經元的原理開始，說明了神經網路的作用；接著從生物視覺的角度介紹了卷積神經網路 (用容易了解的語言說明了卷積分、離散積分、Sobel演算法等的原理)；隨後從人類記憶規律的角度解釋了 RNN；然後從熵的角度系統地介紹了非監督模型的統一規律和相互資訊等前端技術；最後從深度學習的角度介紹了圖卷積的實現過程，並將該過程延伸到空間域的圖神經網路實現方法，同時沿著空間域的方向進行深入，並結合深度學習中的殘差結構、注意力、相互資訊等基礎理論，介紹了更多的圖神經網路模型。
(6) 站在初學者的角度講解，內容系統，更易學習
考慮到初學者的知識儲備不足，因此，從 PyTorch 框架的安裝、使用，到向量、矩陣、張量的基礎變換，再到熵論，本書均從零開始系統介紹，力爭消除讀者學習過程中的跳躍感。只要讀者掌握了 Python，就可以閱讀本書。
由於撰寫過程倉促，書中難免存在不足之處，希望讀者們閱讀後給予回饋，以便我們對本書進行修訂和完善。本書編輯的聯繫電子郵件為 zhangtao@ptpress.com.cn。本書由大蛇智慧網站提供有關內容的技術支援。在閱讀過程中，如有不了解之處，可到討論區 https://bbs.aianaconda.com 提問。
作者
