torch.nn模块中包括了pytorch中已经准备好的层，方便使用者调用构建的网络。包括了卷积层，池化层，激活函数层，循环层，全连接层。

线性函数分类方法：分类（wx+b线性回归）神经网络整体架构（在每一层中进行特征提取）过拟合问题：过拟合问题是神经网络中的一个大问题—可以使用一定的方法降低过拟合问题。

本文探讨了基于深度学习的特征匹配与位姿估计方法。传统SIFT等手工特征在光照变化场景下表现不佳，而深度学习通过CNN网络提取语义信息，在特征匹配上展现出更好的鲁棒性。文章详细分析了深度学习特征提取流程，包括特征检测、描述子生成和匹配优化，并介绍了利用SfM数据集进行监督训练的策略。同时指出深度学习方法对几何变换（如旋转、缩放）的局限性源于卷积操作的平移不变性。最后介绍了位姿估计中2D-3D映射网络

SuperGlue是一个神经网络，它的作用是通过联合地寻找匹配点和排除无法匹配的点，来匹配两组局部特征这个地方实际上是特征匹配任务和SLAM任务中常用的一个部分。考虑的是做方法的迁移。它通过解一个可微的最优运输问题来估计运输成本，其成本由图神经网络来预测和匈牙利算法这种二部图匹配的问题是很类似的一种问题。SuperGlue引入了一种基于注意力机制的灵活上下文聚合方法，使其能够同时考虑3D场景的结构

在第二部分我们学习如何将一个指定场景的数据转化成为，图神经网络可以去使用的数据类型。这里使用的是sklearn中的电商系统用户行为分析的数据来进行学习和使用。我们的任务是结合给定的这一副图，来构建出符合结构的数据集。获取出标签数据重新的进行输出。

从评论区作者的问答中看到了，图嵌入就是对节点的信息进行嵌入操作的，如果我们想要对节点的信息得到全图的特征表示就要去学习一下全图的特征工程。通过这里来掌握一下从节点的嵌入到整图的嵌入除了我自己指标不太行的取一个平均的操作之前的工作中有没有一些其他的实现算法呢？这里的一个思想是把全图的一个节点的数量作为整体的一个向量，但是根据和自己的任务需求这里有点不太匹配。也就是可以简单的说，当我们的上游的嵌入向量

人工神经元：人类神经元中抽象出来的数学模型。

现有的MOT方法大都关注到局部的关系而忽略了全局的关系。一些方法将 MOT 问题表述为图优化问题。然而，这些方法基于静态图，很少更新。为了解决这些问题，我们设计了一种具有端到端图网络的新近在线 MOT 方法。设计一个外观图网络和一个运动图网络来分别捕获外观和运动相似度。我们的图网络中精心设计了更新机制，这意味着图中的节点边和全局变量都可以更新。全局变量可以捕获全局关系以帮助跟踪。最后，提出了一种处

同理按照相同的套路进行递归或者说是循环，就可以依次的得到 R3 R3 R1的输出结果。Coarse-to-Fine的一个过程。先把整体做好，再还原细节。

SuperGlue是一个神经网络，它的作用是通过联合地寻找匹配点和排除无法匹配的点，来匹配两组局部特征这个地方实际上是特征匹配任务和SLAM任务中常用的一个部分。考虑的是做方法的迁移。它通过解一个可微的最优运输问题来估计运输成本，其成本由图神经网络来预测和匈牙利算法这种二部图匹配的问题是很类似的一种问题。SuperGlue引入了一种基于注意力机制的灵活上下文聚合方法，使其能够同时考虑3D场景的结构