深度学习核心概念

我们用 “教 AI 做宫保鸡丁” 来比喻整个过程

1.特征（Features） → 食材清单

• 比如：鸡肉、花生、干辣椒、酱油……
• 在 Cora 数据集中，每个节点有 1433 个特征 → 相当于每篇论文有 1433 个关键词（是否包含某个词）
• NUM_FEATURES = 1433 就是“食材种类数”

2.标签（Labels） → 菜名

• 每篇论文属于 7 个类别之一（如“神经网络”、“数据库”……）
• NUM_CLASSES = 7 就是“有多少种菜名可选”

3.模型（Model） → 菜谱 + 厨师大脑

• GCN 就是一本“图神经网络菜谱”
• 它告诉厨师：“看到邻居用了辣椒，你也该放点！”（利用图结构）

4.前向传播（Forward Pass） → 按菜谱做菜

• 输入食材（特征）→ 经过几道工序（GCN 层）→ 输出一道菜（预测类别）
• 比如：鸡肉 + 辣椒 → 宫保鸡丁（预测为“川菜”）

5.损失（Loss） → 尝味道打分

• 真实菜名是“宫保鸡丁”，但 AI 做出来像“鱼香肉丝” → 打低分（高损失）
• 损失函数（如交叉熵）就是“味觉评分系统”
• F.nll_loss = “你猜错的离谱程度”

6.反向传播（Backward Pass） → 复盘改进

• 厨师尝到菜太咸 → 回想：“是不是酱油放多了？”
• 然后调整下一次的酱油量（更新模型参数）
• 这个“从结果倒推原因”的过程，就是反向传播！

7.优化器（Optimizer） → 厨师的学习策略

• Adam 就像一个聪明的厨师：
  如果连续几次都太咸，就大幅减少酱油
  如果偶尔咸，就微调
• LEARNING_RATE = 0.01 = “每次调整的步子大小”
  太大 → 一步跨过最佳点（震荡不收敛）
  太小 → 调一万次还没到位（训练慢）

8.过拟合（Overfitting） → 死记硬背菜谱

• 厨师把训练时的 100 道菜背得滚瓜烂熟
• 但遇到新客人点“微辣版宫保鸡丁”就懵了 ❌
• 表现：训练准确率 99%，测试准确率 70%
• 就像你煮鸡蛋：
  煮 5 分钟：溏心蛋（刚好）✅
  煮 10 分钟：全熟蛋（还能吃）
  煮 30 分钟：蛋黄发绿、蛋白变硬（过头了！）❌
• 模型训练也一样：
  训练太少 → 模型“没学会”（欠拟合）
  训练刚好 → 模型“学得最好”（泛化强）
  训练太多 → 模型“死记硬背训练数据”，在新数据上表现差（过拟合）

9.验证集（Validation Set） → 试吃员

• 不参与训练，但用来实时反馈：“这道菜好吃吗？”
• 决定是否继续训练 or 早停
• 不能当测试集用！（否则就作弊了）

10.测试集（Test Set） → 最终考试

• 训练完才拿出来
• 模拟“真实世界的新数据”
• 只测一次！ 测完不准再改模型（否则成绩无效）

总结