慢慢来，会做到更好！
GNN（Graph Neural Networks） part1
让我们先了解一下什么是Graph？
如下图例子所示，有节点有边的图形可以粗略定义为Graph
那么，问题来了
我们为什么需要GNN呢？
怎么把一个Graph塞入一个neural network呢？
我们为什么需要GNN呢？
分类和生成
仔细想想，我们是不是忽略了一点重要的情况呢？
没错，那就是人物之间的关系！
但是又有一些问题发生了
我们该怎么用node 的邻居来帮助model做训练呢？
下列有两种方法
基于空间的卷积（Spatial-based convolution）和基于频域的卷积（Spectral-based convolution）
part1 我们先用第一种方法-Spatial-based convolution
我们可以通过模拟CNN（convolution）的方法：用neighbor feature update来计算下一层
的node，最后通过readout把所有nodes的feature集合起来代表整个Graph
下面，我们就具体研究一下它的具体流程吧
input layer经过embedding之后到hidden layer 0，
更新的话是将其相邻的节点相加然后乘以权重再加上之前input layer层的输入。
整个图的表示是通过求出每一层整个图中的顶点间的特征均值，
然后各自乘以相应的权重再把每一层获取的结果相加。
每一层的更新方式：
第一层，更新某个节点首先找到与它距离为1的节点，然后用原始的输入相加取平均值再乘以权重。
第二层，更新更新某个节点首先找到与它距离为2的节点（也包括自身的），
然后用原始的输入相加取平均值再乘以权重。
还有种简单的处理方式：将每一层对应的节点相加。
前面的model只是简单的相加，并没有考虑邻居与邻居之间的权重
那么，下面的这个model主要考虑这个问题
下面又是一种厉害的模型，也是最广的模型之一
比如E3,0表示的是：对于h3 node来说，h0 node有多重要。
最后一种模型
emmm 没听懂
