正文

圖神經(jīng)網(wǎng)絡有哪些用途

發(fā)布時間：2023-03-11 19:13:29 稿源：創(chuàng)意嶺閱讀： 763 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于圖神經(jīng)網(wǎng)絡有哪些用途的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，相關(guān)業(yè)務請撥打電話：175-8598-2043，或添加微信：1454722008

本文目錄:

1、GNN(一) 圖神經(jīng)網(wǎng)絡基本知識
2、神經(jīng)網(wǎng)絡（Neural Network）
3、深度神經(jīng)網(wǎng)絡目前有哪些成功的應用
4、人工智能時代，神經(jīng)網(wǎng)絡的原理及使用方法 | 微課堂

圖神經(jīng)網(wǎng)絡有哪些用途

一、GNN(一) 圖神經(jīng)網(wǎng)絡基本知識

圖是由點和邊構(gòu)成的，它可以分為兩種表示方法分別是： 1. 有向圖 2. 無向圖

圖像的度分為兩種：1. 有向圖的度 2. 無向圖的度

①度可以理解為點之間的連接線 ②入度指向當前節(jié)點的連線，出度當前節(jié)點連出去的連線

子圖表示某張圖的子集

對于一個無向圖，如果任意的節(jié)點i能夠通過一些邊達到節(jié)點j，則稱之為連通圖

其中對于圖中任意兩點都可以相互到達，我們稱之為強連通圖，反之稱為弱連通圖。

可以理解為所有的連通在一起的圖算一個連通分量。如上圖左邊連通分量是1，右邊連通分量是2。

圖中的兩個節(jié)點所能達到的最短路徑。

圖中的兩兩節(jié)點最短路徑最大的值稱之為圖直徑。

在圖論和網(wǎng)絡分析中，中心性（Centrality）是判斷網(wǎng)絡中節(jié)點重要性/影響力的指標。在社會網(wǎng)絡分析中，一項基本的任務就是鑒定一群人中哪些人比其他人更有影響力，從而幫助我們理解他們在網(wǎng)絡中扮演的角色。

公式：

重要的節(jié)點就是擁有許多連接的節(jié)點，你的社會關(guān)系越多，你的影響力就越強

思想就是與你連接的人越重要，你也就越重要

公式：

中間成員對路徑兩端的成員具有“更大的人際關(guān)系影響”。

接近中心性高的節(jié)點一般扮演的是八婆的角色（gossiper）。他們不一定是名人，但是樂于在不同的人群之間傳遞消息。

指出去的為hub，被指的為authority

二、神經(jīng)網(wǎng)絡（Neural Network）

（1）結(jié)構(gòu)：許多樹突（dendrite）用于輸入，一個軸突（axon）用于輸出。

（2）特性：興奮性和傳導性。興奮性是指當信號量超過某個閾值時，細胞體就會被激活，產(chǎn)生電脈沖。傳導性是指電脈沖沿著軸突并通過突觸傳遞到其它神經(jīng)元。

（3）有兩種狀態(tài)的機器：激活時為“是”，不激活時為“否”。神經(jīng)細胞的狀態(tài)取決于從其他神經(jīng)細胞接收到的信號量，以及突觸的性質(zhì)（抑制或加強）。

（1）神經(jīng)元——不重要

① 神經(jīng)元是包含權(quán)重和偏置項的函數(shù) ：接收數(shù)據(jù)后，執(zhí)行一些計算，然后使用激活函數(shù)將數(shù)據(jù)限制在一個范圍內(nèi)（多數(shù)情況下）。

② 單個神經(jīng)元：線性可分的情況下，本質(zhì)是一條直線，，這條直線將數(shù)據(jù)劃分為兩類。而線性分類器本身就是一個單層神經(jīng)網(wǎng)絡。

③ 神經(jīng)網(wǎng)絡：非線性可分的情況下，神經(jīng)網(wǎng)絡通過多個隱層的方法來實現(xiàn)非線性的函數(shù)。

（2）權(quán)重/參數(shù)/連接（Weight）——最重要

每一個連接上都有一個權(quán)重。一個神經(jīng)網(wǎng)絡的訓練算法就是讓權(quán)重的值調(diào)整到最佳，以使得整個網(wǎng)絡的預測效果最好。

（3）偏置項（Bias Units）——必須

① 如果沒有偏置項，所有的函數(shù)都會經(jīng)過原點。

② 正則化偏置會導致欠擬合：若對偏置正則化，會導致激活變得更加簡單，偏差就會上升，學習的能力就會下降。

③ 偏置的大小度量了神經(jīng)元產(chǎn)生激勵（激活）的難易程度。

（1）定義：也稱為轉(zhuǎn)換函數(shù)，是一種將輸入 (input) 轉(zhuǎn)成輸出 (output) 的函數(shù)。

（2）作用：一般直線擬合的精確度要比曲線差很多，引入激活函數(shù)能給神經(jīng)網(wǎng)絡增加一些非線性的特性。

（3）性質(zhì)：

① 非線性：導數(shù)不是常數(shù)，否則就退化成直線。對于一些畫一條直線仍然無法分開的問題，非線性可以把直線變彎，就能包羅萬象；

② 可微性：當優(yōu)化方法是基于梯度的時候，處處可導為后向傳播算法提供了核心條件；

③ 輸出范圍：一般限定在[0,1]，使得神經(jīng)元對一些比較大的輸入會比較穩(wěn)定；

④ 非飽和性：飽和就是指，當輸入比較大的時候輸出幾乎沒變化，會導致梯度消失；

⑤ 單調(diào)性：導數(shù)符號不變，輸出不會上躥下跳，讓神經(jīng)網(wǎng)絡訓練容易收斂。

（1）線性函數(shù) (linear function)—— purelin()

（2）符號函數(shù) (sign function)—— hardlim()

① 如果z值高于閾值，則激活設置為1或yes，神經(jīng)元將被激活。

② 如果z值低于閾值，則激活設置為0或no，神經(jīng)元不會被激活。

（3）對率函數(shù) (sigmoid function)—— logsig()

① 優(yōu)點：光滑S型曲線連續(xù)可導，函數(shù)閾值有上限。

② 缺點：❶ 函數(shù)飽和使梯度消失，兩端梯度幾乎為0，更新困難，做不深；

❷ 輸出不是0中心，將影響梯度下降的運作，收斂異常慢；

❸ 冪運算相對來講比較耗時

（4）雙曲正切函數(shù)(hyperbolic tangent function)—— tansig()

① 優(yōu)點：取值范圍0中心化，防止了梯度偏差

② 缺點：梯度消失現(xiàn)象依然存在，但相對于sigmoid函數(shù)問題較輕

（5）整流線性單元 ReLU 函數(shù)(rectified linear unit)

① 優(yōu)點：❶ 分段線性函數(shù)，它的非線性性很弱，因此網(wǎng)絡做得很深；

❷ 由于它的線性、非飽和性，對于隨機梯度下降的收斂有巨大的加速作用；

② 缺點：❶ 當x<0，梯度都變成0，參數(shù)無法更新，也導致了數(shù)據(jù)多樣化的丟失；

❷ 輸出不是0中心

（6）滲漏型整流線性單元激活函數(shù) Leaky ReLU 函數(shù)

① 優(yōu)點：❶ 是為解決“ReLU死亡”問題的嘗試，在計算導數(shù)時允許較小的梯度；

❷ 非飽和的公式，不包含指數(shù)運算，計算速度快。

② 缺點：❶ 無法避免梯度爆炸問題；（沒有體現(xiàn)優(yōu)于ReLU）

❷ 神經(jīng)網(wǎng)絡不學習 α 值。

（7）指數(shù)線性單元 ELU (Exponential Linear Units)

① 優(yōu)點：❶ 能避免“死亡 ReLU” 問題；

❷ 能得到負值輸出，這能幫助網(wǎng)絡向正確的方向推動權(quán)重和偏置變化；

❸ 在計算梯度時能得到激活，而不是讓它們等于 0。

② 缺點：❶ 由于包含指數(shù)運算，所以計算時間更長；

❷ 無法避免梯度爆炸問題；（沒有體現(xiàn)優(yōu)于ReLU）

❸ 神經(jīng)網(wǎng)絡不學習 α 值。

（8）Maxout（對 ReLU 和 Leaky ReLU的一般化歸納）

① 優(yōu)點：❶ 擁有ReLU的所有優(yōu)點（線性和不飽和）

❷ 沒有ReLU的缺點（死亡的ReLU單元）

❸ 可以擬合任意凸函數(shù)

② 缺點：參數(shù)數(shù)量增加了一倍。難訓練，容易過擬合

（9）Swish

① 優(yōu)點：❶ 在負半軸也有一定的不飽和區(qū)，參數(shù)的利用率更大

❷ 無上界有下界、平滑、非單調(diào)

❸ 在深層模型上的效果優(yōu)于 ReLU

每個層都包含一定數(shù)量的單元（units）。增加層可增加神經(jīng)網(wǎng)絡輸出的非線性。

（1）輸入層：就是接收原始數(shù)據(jù)，然后往隱層送

（2）輸出層：神經(jīng)網(wǎng)絡的決策輸出

（3）隱藏層：神經(jīng)網(wǎng)絡的關(guān)鍵。把前一層的向量變成新的向量，讓數(shù)據(jù)變得線性可分。

（1）結(jié)構(gòu)：僅包含輸入層和輸出層，直接相連。

（2）作用：僅能表示線性可分函數(shù)或決策，且一定可以在有限的迭代次數(shù)中收斂。

（3）局限：可以建立與門、或門、非門等，但無法建立更為復雜的異或門（XOR），即兩個輸入相同時輸出1，否則輸出0。（“AI winter”）

（1）目的：擬合某個函數(shù) （兩層神經(jīng)網(wǎng)絡可以逼近任意連續(xù)函數(shù)）

（2）結(jié)構(gòu)：包含輸入層、隱藏層和輸出層，由于從輸入到輸出的過程中不存在與模型自身的反饋連接，因此被稱為“前饋”。（層與層之間全連接）

（3）作用：非線性分類、聚類、預測等，通過訓練，可以學習到數(shù)據(jù)中隱含的知識。

（4）局限：計算復雜、計算速度慢、容易陷入局部最優(yōu)解，通常要將它們與其他網(wǎng)絡結(jié)合形成新的網(wǎng)絡。

（5）前向傳播算法（Forward Propagation）

① 方法：從左至右逐級依賴的算法模型，即網(wǎng)絡如何根據(jù)輸入X得到輸出Y，最終的輸出值和樣本值作比較，計算出誤差。

② 目的：完成了一次正反向傳播，就完成了一次神經(jīng)網(wǎng)絡的訓練迭代。通過輸出層的誤差，快速求解對每個ω、b的偏導，利用梯度下降法，使Loss越來越小。

② 局限：為使最終的誤差達到最小，要不斷修改參數(shù)值，但神經(jīng)網(wǎng)絡的每條連接線上都有不同權(quán)重參數(shù)，修改這些參數(shù)變得棘手。

（6）誤差反向傳播（Back Propagation）

① 原理：梯度下降法求局部極值

② 方法：從后往前，從輸出層開始計算 L 對當前層的微分，獲得各層的誤差信號，此誤差信號即作為修正單元權(quán)值的依據(jù)。計算結(jié)束以后，所要的兩個參數(shù)矩陣的梯度就都有了。

③ 局限：如果激活函數(shù)是飽和的，帶來的缺陷就是系統(tǒng)迭代更新變慢，系統(tǒng)收斂就慢，當然這是可以有辦法彌補的，一種方法是使用交叉熵函數(shù) 作為損失函數(shù)。

（1）原理：隨著網(wǎng)絡的層數(shù)增加，每一層對于前一層次的抽象表示更深入。在神經(jīng)網(wǎng)絡中，每一層神經(jīng)元學習到的是前一層神經(jīng)元值的更抽象的表示。通過抽取更抽象的特征來對事物進行區(qū)分，從而獲得更好的區(qū)分與分類能力。

（2）方法：ReLU函數(shù)在訓練多層神經(jīng)網(wǎng)絡時，更容易收斂，并且預測性能更好。

（3）優(yōu)點：① 易于構(gòu)建，表達能力強，基本單元便可擴展為復雜的非線性函數(shù)

② 并行性號，有利于在分布是系統(tǒng)上應用

（4）局限：① 優(yōu)化算法只能獲得局部極值，性能與初始值相關(guān)

② 調(diào)參理論性缺乏

③ 不可解釋，與實際任務關(guān)聯(lián)性模糊

（1）原理：由手工設計卷積核變成自動學習卷積核

（2）卷積（Convolutional layer）：輸入與卷積核相乘再累加（內(nèi)積、加權(quán)疊加）

① 公式：

② 目的：提取輸入的不同特征，得到維度很大的特征圖（feature map）

③ 卷積核：需要訓練的參數(shù)。一般為奇數(shù)維，有中心像素點，便于定位卷積核

④ 特點：局部感知、參數(shù)變少、權(quán)重共享、分層提取

（3）池化（Pooling Layer）：用更高層的抽象表達來表示主要特征，又稱“降采樣”

① 分類：最大（出現(xiàn)與否）、平均（保留整體）、隨機（避免過擬合）

② 目的：降維，不需要訓練參數(shù)，得到新的、維度較小的特征

（4）步長（stride）：若假設輸入大小是n∗n，卷積核的大小是f∗f，步長是s，則最后的feature map的大小為o∗o，其中

（5）填充（zero-padding）

① Full模式：即從卷積核（fileter）和輸入剛相交開始做卷積，沒有元素的部分做補0操作。

② Valid模式：卷積核和輸入完全相交開始做卷積，這種模式不需要補0。

③ Same模式：當卷積核的中心C和輸入開始相交時做卷積。沒有元素的部分做補0操作。

（7）激活函數(shù)：加入非線性特征

（8）全連接層（Fully-connected layer）

如果說卷積層、池化層和激活函數(shù)層等是將原始數(shù)據(jù)映射到隱層特征空間（決定計算速度），全連接層則起到將學到的“分布式特征表示”映射到樣本標記空間的作用（決定參數(shù)個數(shù)）。

參考：

[1] 神經(jīng)網(wǎng)絡（入門最詳細）_ruthy的博客-CSDN博客_神經(jīng)網(wǎng)絡算法入門

[2] 神經(jīng)網(wǎng)絡（容易被忽視的基礎知識） - Evan的文章 - 知乎

[3] 人工神經(jīng)網(wǎng)絡——王的機器

[4] 如何簡單形象又有趣地講解神經(jīng)網(wǎng)絡是什么？ - 舒小曼的回答 - 知乎

[5] 神經(jīng)網(wǎng)絡15分鐘入門！足夠通俗易懂了吧 - Mr.括號的文章 - 知乎

[6] 神經(jīng)網(wǎng)絡——最易懂最清晰的一篇文章_illikang的博客-CSDN博客_神經(jīng)網(wǎng)絡

[7] 直覺化深度學習教程——什么是前向傳播——CSDN

[8] “反向傳播算法”過程及公式推導（超直觀好懂的Backpropagation）_aift的專欄-CSDN

[9] 卷積、反卷積、池化、反池化——CSDN

[10] 浙大機器學習課程- bilibili.com

三、深度神經(jīng)網(wǎng)絡目前有哪些成功的應用

深度學習最成功的應用是在音視頻的識別上，幾乎所有的商用語音識別都是深度學習來完成的。其次深度學習應用最成功的領域就是圖像識別，目前識別準確率已經(jīng)超越人類。深度學習成了圖像識別的標配，以至于目前做圖像不懂深度學習都不好意思跟人打招呼。（這種狀態(tài)個人覺得是不好的）其中圖像識別中，應用最廣的是人臉識別。自然語言理解方面，深度學習也非?；钴S，主要是使用一種叫做LSTM的深度學習方法。深度學習已經(jīng)深入各個領域無人車，智能回答，智能翻譯，天氣預報，股票預測，人臉比對，聲紋比對，等其他許多有趣的應用，比如智能插畫，自動作詩，自動寫作文，等都可以通過深度學習來完成深度神經(jīng)網(wǎng)絡目前有哪些成功的應用

四、人工智能時代，神經(jīng)網(wǎng)絡的原理及使用方法 | 微課堂

人工智能時代已經(jīng)悄然來臨，在計算機技術(shù)高速發(fā)展的未來，機器是否能代替人腦？也許有些讀者會說，永遠不可能，因為人腦的思考包含感性邏輯。事實上，神經(jīng)網(wǎng)絡算法正是在模仿人腦的思考方式。想不想知道神經(jīng)網(wǎng)絡是如何“思考”的呢？下面我向大家簡單介紹一下神經(jīng)網(wǎng)絡的原理及使用方法。

所謂人工智能，就是讓機器具備人的思維和意識。人工智能主要有三個學派——行為主義、符號主義和連接主義。

行為主義是基于控制論，是在構(gòu)建感知動作的控制系統(tǒng)。理解行為主義有個很好的例子，就是讓機器人單腳站立，通過感知要摔倒的方向控制兩只手的動作，保持身體的平衡，這就構(gòu)建了一個感知動作控制系統(tǒng)。

符號主義是基于算數(shù)邏輯和表達式。求解問題時，先把問題描述為表達式，再求解表達式。如果你在求解某個問題時，可以用if case這樣的條件語句，和若干計算公式描述出來，這就使用了符號主義的方法，比如“專家系統(tǒng)”。符號主義可以認為是用公式描述的人工智能，它讓計算機具備了理性思維。但是人類不僅具備理性思維，還具備無法用公式描述的感性思維。比如，如果你看過這篇推送，下回再見到“符號主義”幾個字，你會覺得眼熟，會想到這是人工智能相關(guān)的知識，這是人的直覺，是感性的。

連接主義就是在模擬人的這種感性思維，是在仿造人腦內(nèi)的神經(jīng)元連接關(guān)系。這張圖給出了人腦中的一根神經(jīng)元，左側(cè)是神經(jīng)元的輸入，“軸突”部分是神經(jīng)元的輸出。人腦就是由860億個這樣的神經(jīng)元首尾相接組成的網(wǎng)絡。

神經(jīng)網(wǎng)絡可以讓計算機具備感性思維。我們首先理解一下基于連接主義的神經(jīng)網(wǎng)絡設計過程。這張圖給出了人類從出生到24個月神經(jīng)網(wǎng)絡的變化：

隨著我們的成長，大量的數(shù)據(jù)通過視覺、聽覺涌入大腦，使我們的神經(jīng)網(wǎng)絡連接，也就是這些神經(jīng)元連線上的權(quán)重發(fā)生了變化，有些線上的權(quán)重增強了，有些線上的權(quán)重減弱了。

我們要用計算機仿出這些神經(jīng)網(wǎng)絡連接關(guān)系，讓計算機具備感性思維。

首先需要準備數(shù)據(jù)，數(shù)據(jù)量越大越好，以構(gòu)成特征和標簽對。如果想識別貓，就要有大量貓的圖片和這張圖片是貓的標簽構(gòu)成特征標簽對，然后搭建神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)，再通過反向傳播優(yōu)化連接的權(quán)重，直到模型的識別準確率達到要求，得到最優(yōu)的連線權(quán)重，把這個模型保存起來。最后用保存的模型輸入從未見過的新數(shù)據(jù)，它會通過前向傳播輸出概率值，概率值最大的一個就是分類和預測的結(jié)果。

我們舉個例子來感受一下神經(jīng)網(wǎng)絡的設計過程。鳶尾花可以分為三類：狗尾鳶尾、雜色鳶尾和佛吉尼亞鳶尾。我們拿出一張圖，需要讓計算機判斷這是哪類鳶尾花。人們通過經(jīng)驗總結(jié)出了規(guī)律：通過測量花的花萼長、花萼寬、花瓣長、花瓣寬分辨出鳶尾花的類別，比如花萼長>花萼寬，并且花瓣長/花瓣寬>2，則可以判定為這是第一種，雜色鳶尾?？吹竭@里，也許有些讀者已經(jīng)想到用if、case這樣的條件語句來實現(xiàn)鳶尾花的分類。沒錯，條件語句根據(jù)這些信息可以判斷鳶尾花分類，這是一個非常典型的專家系統(tǒng)，這個過程是理性計算。只要有了這些數(shù)據(jù)，就可以通過條件判定公式計算出是哪類鳶尾花。但是我們發(fā)現(xiàn)鳶尾花的種植者在識別鳶尾花的時候并不需要這么理性的計算，因為他們見識了太多的鳶尾花，一看就知道是哪種，而且隨著經(jīng)驗的增加，識別的準確率會提高。這就是直覺，是感性思維，也是我們這篇文章想要和大家分享的神經(jīng)網(wǎng)絡方法。

這種神經(jīng)網(wǎng)絡設計過程首先需要采集大量的花萼長、花萼寬、花瓣長、花瓣寬，和它們所對應的是哪種鳶尾花?；ㄝ嚅L、花萼寬、花瓣長、花瓣寬叫做輸入特征，它們對應的分類叫做標簽。大量的輸入特征和標簽對構(gòu)建出數(shù)據(jù)集，再把這個數(shù)據(jù)集喂入搭建好的神經(jīng)網(wǎng)絡結(jié)構(gòu)，網(wǎng)絡通過反向傳播優(yōu)化參數(shù)，得到模型。當有新的、從未見過的輸入特征，送入神經(jīng)網(wǎng)絡時，神經(jīng)網(wǎng)絡會輸出識別的結(jié)果。

展望21世紀初，在近十年神經(jīng)網(wǎng)絡理論研究趨向的背景下，神經(jīng)網(wǎng)絡理論的主要前沿領域包括：

一、對智能和機器關(guān)系問題的認識進一步增長。

研究人類智力一直是科學發(fā)展中最有意義，也是空前困難的挑戰(zhàn)性問題。人腦是我們所知道的唯一智能系統(tǒng)，具有感知識別、學習、聯(lián)想、記憶、推理等智能。我們通過不斷探索人類智能的本質(zhì)以及聯(lián)結(jié)機制，并用人工系統(tǒng)復現(xiàn)或部分復現(xiàn)，制造各種智能機器，這樣可使人類有更多的時間和機會從事更為復雜、更富創(chuàng)造性的工作。

神經(jīng)網(wǎng)絡是由大量處理單元組成的非線性、自適應、自組織系統(tǒng)，是在現(xiàn)代神經(jīng)科學研究成果的基礎上提出的，試圖模擬神經(jīng)網(wǎng)絡加工、記憶信息的方式，設計一種新的機器，使之具有人腦風格的信息處理能力。智能理論所面對的課題來自“環(huán)境——問題——目的”，有極大的誘惑力與壓力，它的發(fā)展方向?qū)⑹前鸦谶B接主義的神經(jīng)網(wǎng)絡理論、基于符號主義的人工智能專家系統(tǒng)理論和基于進化論的人工生命這三大研究領域，在共同追求的總目標下，自發(fā)而有機地結(jié)合起來。

二、神經(jīng)計算和進化計算的重大發(fā)展。

計算和算法是人類自古以來十分重視的研究領域，本世紀30年代，符號邏輯方面的研究非?；钴S。近年來，神經(jīng)計算和進化計算領域很活躍，有新的發(fā)展動向，在從系統(tǒng)層次向細胞層次轉(zhuǎn)化里，正在建立數(shù)學理論基礎。隨著人們不斷探索新的計算和算法，將推動計算理論向計算智能化方向發(fā)展，在21世紀人類將全面進入信息社會，對信息的獲取、處理和傳輸問題，對網(wǎng)絡路由優(yōu)化問題，對數(shù)據(jù)安全和保密問題等等將有新的要求，這些將成為社會運行的首要任務。因此，神經(jīng)計算和進化計算與高速信息網(wǎng)絡理論聯(lián)系將更加密切，并在計算機網(wǎng)絡領域中發(fā)揮巨大的作用，例如大范圍計算機網(wǎng)絡的自組織功能實現(xiàn)就要進行進化計算。

人類的思維方式正在轉(zhuǎn)變，從線性思維轉(zhuǎn)到非線性思維神經(jīng)元，神經(jīng)網(wǎng)絡都有非線性、非局域性、非定常性、非凸性和混沌等特性。我們在計算智能的層次上研究非線性動力系統(tǒng)、混沌神經(jīng)網(wǎng)絡以及對神經(jīng)網(wǎng)絡的數(shù)理研究，進一步研究自適應性子波、非線性神經(jīng)場的興奮模式、神經(jīng)集團的宏觀力學等。因為，非線性問題的研究是神經(jīng)網(wǎng)絡理論發(fā)展的一個最大動力，也是它面臨的最大挑戰(zhàn)。

以上就是有關(guān)神經(jīng)網(wǎng)絡的相關(guān)內(nèi)容，希望能為讀者帶來幫助。

以上內(nèi)容由蘇州空天信息研究院謝雨宏提供。

以上就是關(guān)于圖神經(jīng)網(wǎng)絡有哪些用途相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。