几何深度学习——算法与实践

本书专注于几何深度学习及其在图神经网络领域中的应用，涵盖了从数学基础到前沿模型的全面指导，同时结合实际项目案例，帮助读者深地理解几何深度学习的复杂概念。书中不仅详细阐述了各类算法的理论背景，还提供了实际操作指南，为读者提供了理论与实践相结合的全面支持。第1章和第2章介绍了几何深度学习的数学与算法基础。第1章涵盖了高等数学、线性代数、图论、群论及量子力学等内容，为读者奠定坚实的理论基础。第2章则探讨了CNN、LSTM、Transformer和GAN等主流深度学习算法，并引出其后续在几何深度学习中的应用。第3章深分析了图神经网络，重介绍了各类模型及其变体，突出图神经网络在几何深度学习中的重要地位。第4章和第5章分别探讨了不变性与等变性概念及其在几何图神经网络中的应用，深剖析了这些核心理念在模型构建中的作用。不变性与等变性是几何深度学习的核心理念，也是实现模型稳健性和泛化能力的关键。第6章围绕E3NN工具库展，这是一个强大的源库，专门用于处理具有旋转对称性的三维数据。通过对E3NN中关键组件的详细解析，包括等变卷积和SE(3)-Transformer的实现，读者将学会如何利用这些工具解决实际问题，并一步拓展其在几何深度学习中的应用。几何深度学习在解决生物、化学、材料、物理及工程等领域的问题上有着广泛应用。从粒子、原子、分子、蛋白质到晶体，以及云数据和更大尺度的天体、星系数据等，几何深度学习能够高效建模相关数据。本书适合对几何深度学习和图神经网络感兴趣的研究人员及相关领域的从业者。
【推荐语】
本书特别注重理论与实践的结合。从高等数学、线性代数、图论、群论及量子力学等核心数学知识，到深度学习的主要算法框架，读者将系统性地构建起理解几何深度学习所需的理论基础。同时，本书还深探讨了图神经网络，特别是几何图神经网络的实现，帮助读者理解不变性和等变性这两个几何深度学习的核心概念，并展示了这些原理在实际应用中的重要性。
【作者】
于浩文，南安普顿大学人工智能专业硕士一等学位，曼彻斯特大学生物信息与系统生物硕士一等学位。湖南头教育科技有限公司联合创始人，课程讲师。