"1.本書從深度學習到圖神經網絡，涉及的理論知識全面細致，內含數學基礎、優化算法、卷積神經網絡、表示學習、嵌入表示、空域圖卷積神經網絡、譜域圖卷積神經網絡等。2.本書寫作風格通俗易懂，可讀性非常高，圖文並茂、深入淺出。即使是沒有基礎的高校學生和AI初階從業者，也能很容易地通過本書入門，降低了前沿知識的學習門檻。3.本書內含數十個代碼範例，所有代碼片段均可獲得，學習過程中可以同時上機實踐，效率倍增。同時本書還附贈學習視頻等資源，方便讀者輔助學習。"

●第1章 圖上的深度學習
1.1 人工智能與深度學習
1.1.1 深度學習的發展
1.1.2 人工智能的底層邏輯
1.2 圖神經網絡時代的來臨
1.2.1 圖與圖像大不同
1.2.2 圖神經網絡的本質
1.3 圖數據處理面臨的挑戰
1.3.1 歐氏空間難表示圖
1.3.2 圖表達無固定格式
1.3.3 圖可視化難理解
1.3.4 圖數據不符合獨立同分布
1.4 圖神經網絡的應用層面
1.4.1 節點預測
1.4.2 邊預測
1.4.3 圖預測
1.5 圖神經網絡的發展簡史
1.5.1 早期的圖神經網絡
1.5.2 圖卷積神經網絡的提出
1.5.3 圖表示學習
1.5.4 圖卷積的簡化
1.6 圖神經網絡的模塊與分類
1.6.1 圖神經網絡的常見模塊
1.6.2 圖神經網絡的分類
1.7 本章小結
參考資料
第2章 圖神經網絡的數學基礎
2.1 矩陣論基礎
2.1.1 標量與向量
2.1.2 向量範數
2.1.3 向量的夾角與餘弦相似度
2.1.4 矩陣與張量
2.1.5 矩陣的本質
2.1.6 矩陣乘法的三種視角
2.1.7 逆矩陣與行列式
2.1.8 特征值與特征向量
2.1.9 矩陣的平方分解
2.1.10 特征分解
2.1.11 正定矩陣和半正定矩陣
2.2 圖論基礎
2.2.1 圖的表示
2.2.2 無向圖與有向圖
2.2.3 權值圖
2.2.4 鄰接矩陣與關聯矩陣
2.2.5 鄰域和度
2.2.6 度數矩陣
2.2.7 二分圖
2.2.8 符號圖
2.2.9 圖的遍歷
2.2.10 圖的同構與異構
2.2.11 圖的途徑、跡與路
2.2.12 圖的連通性
2.2.13 節點的中心性
2.3 譜圖論基礎
2.3.1 拉普拉斯矩陣的來源
2.3.2 拉普拉斯矩陣的性質
2.3.3 拉普拉斯矩陣的譜分解
2.3.4 拉普拉斯矩陣的歸一化
2.4 本章小結
參考資料
第3章 神經網絡學習與算法優化
3.1 人工神經網絡的緣起
3.2 神經網絡的第一性原理
3.2.1 通用近似定理
3.2.2 通用近似定理的應用
3.3 感知機模型與前饋神經網絡
3.3.1 人的本質
3.3.2 歷久彌新的感知機
3.3.3 備受啟發的支持向量機
3.4 更強表征能力的多層感知機
3.5 不可或缺的激活函數
3.5.1 Sigmoid函數
3.5.2 Tanh函數
3.5.3 ReLU函數
3.5.4 Softmax函數
3.6 損失函數
3.6.1 普通的損失函數
3.6.2 交叉熵損失函數
3.7 神經網絡的訓練
3.7.1 優化算法的意義
3.7.2 基於梯度的優化流程
3.8 優化算法的分類
3.8.1 優化算法的派繫
3.8.2 優化算法面臨的挑戰
3.9 本章小結

●
●參考資料
●
●……

近年來，深度學習在人工智能的發展過程中起到了舉足輕重的作用，而圖神經網絡是人工智能領域的一個新興方向，被稱為圖上的深度學習。
本書詳細介紹了從深度學習到圖神經網絡的基礎概念和前沿技術，包括圖上的深度學習、圖神經網絡的數學基礎、神經網絡學習與算法優化、深度學習基礎、神經網絡中的表示學習、面向圖數據的嵌入表示、初代圖神經網絡、空域及譜域圖卷積神經網絡等內容。為增強可讀性，本書敘述清晰、內容深入淺出、圖文並茂，力求降低初學者的學習難度。
本書既可作為人工智能領域研究和開發人員的技術參考書，也可作為對圖上的深度學習感興趣的高年級本科生和研究生的入門書。

張玉宏,楊鐵軍 著