GAT，作用于图结构数据，采用masked self-attention layers来弥补之前图卷积或类似图卷积方法的缺点。通过堆叠layers，让节点可以添加其邻居的特征，我们就可以给不同的邻居节点不同的权重，而这一步操作不需要使用任何昂贵的矩阵计算（比如求逆矩阵），也不需要依赖对图结构的了解。可以很容易地应用于inductive，transductive 问题（归纳、直推）。

图神经网络(gnn)是一种有效的图表示学习框架。gnn采用邻域聚合方案，通过递归聚合和变换相邻节点的表示向量来计算节点的表示向量。已经提出了许多GNN变体，并在节点和图分类任务上取得了最先进的结果。然而，尽管gnn彻底改变了图表示学习，但人们对其表示特性和局限性的理解有限。->一个理论框架，用来分析GNN捕获不同图结构的能力。

大多数GNN的目的是学习只包含单一类型的节点和边的同构图的嵌入向量。然而，现实世界中的实体及其相互作用往往具有多种类型，自然形成具有丰富结构和语义信息的异构图。现有的异构图表示学习的调查论文总结了所有可能的图嵌入技术，对深度神经网络模型的分析不足。为了解决这一问题，本文系统地总结和分析了现有的异构图神经网络(hgnn)，并根据其神经网络结构对其进行了分类。同时，收集了常用的异构图数据集，并总结了它

参考：https://www.jianshu.com/p/2cf00bb9db34?utm_source=oschina-app需要提前准备：1.科学上网工具2.一个谷歌账号（Google Colab和Google drive都是需要账号的）Google Colab网址：https://colab.research.google.com/notebooks/intro.ipynb#scrollTo

machine learning就是去找一个函数，input一个东西，output另一个东西。如果是regression task，就output一个数值，如果是classification task，就是output一个class。如果我们遇到的问题是一个更复杂的问题，不是output一个数值/class，可能是一个sequence、matrix、graph、tree。这个task就是struc

本来想实现打开文件之后，对文件进行加噪声的处理的，略略改了点之前的代码出了点问题（代码如下：import cv2import randomimport numpy as npfrom tkinter import *from tkinter import filedialogfrom PIL import Image, ImageTkimport oswindow = Tk()window.tit

没想到换个地方配置环境还能解锁新的报错！不愧是你Anaconda！WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'ProxyError('Cannot connect to proxy.', timeout('_ss