机器学习中的两大类参数：
超参数：在模型训练之前需要设置的参数，而不是通过训练得到的参数数据。比如：学习率，深层神经网络隐藏层数。
模型参数：模型要学习的参数，比如：权重W和偏置b，其是在网络训练过程中自动学习和更新。
前向算法：从网络输入到网络最终输出的过程称为前向算法。
反向传播算法(BP)：模型参数学习的方法，由Hinton等人提出。用来解决网络优化问题，通过调节输出层的结果和真实值之间的偏差来进行逐层调节参数。该学习过程是一个不断迭代的过程。
损失函数（LOSS）：神经网络模型参数学习的目标函数。常见损失函数由交叉熵损失函数
无论是图级、边级、节点级任务，都可以在一个GNN模型中完成。
图级任务是预测整个图的属性；跟据图结构来分类，问题是我所对图的分类是强加的标签，但是会使他们有相同结构，能够区分开来，是没问题的。
类比于图像：预测图像的标签；类比于文本：预测一个句子的情绪。
节点级任务是预测图中每个节点的身份及角色。
类比于图像：图像分割，试图标记图像中每个像素的作用；类比文本，预测句子中每个单词的词类(如名词、动词、副词等)。
边级任务：用于图像场景理解，预测哪些节点共享一条边，边的值；希望发现实体之间的连接：假设全连接图，通过预测值来修剪边得到稀疏图。
使用图邻接矩阵来表示图的问题：
1.节点很大的图得到的是稀疏的邻接矩阵。
2.不能保证置换不变性，当节点的排列顺序改变时，图的邻接矩阵也改变，但他们却表示同一张图。
因此可以使用邻接表来表示：
不会记录不连通的边；节点、边可以是向量，用[n(nodes),n(nodesdim)]来表示图。
GNN
既然图的描述是置换不变的矩阵格式，我们将使用图神经网络(GNNs)来描述解决图预测任务。GNN是对保持图对称性(置换不变性)的图的所有属性(节点、边、全局上下文)的可优化变换。我们将使用Gilmer等人提出的消息传递神经网络框架，使用Battaglia等人介绍的图网架构原理图，构建gnn。gnn采用图进图出架构，这意味着这些模型类型接受一个图作为输入，将信息加载到它的节点、边和全局上下文中，并在不改变输入图的连通性的情况下逐步转换这些嵌入。