图神经网络：消息沿边走，变体差在怎么聚合
WARNING
🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。
图像有网格，句子有顺序，分子、路网、知识图谱、社交关系没有整齐的张量轴。图神经网络（Graph Neural Network, GNN）把数据当成 (\mathcal{G}=(V,E))：节点带特征，边表示关系，一层更新 = 向邻居收消息。
数据是图和 计算图不是一件事。前向那张 DAG 见 s05。科学计算里的网格 / 分子 demo 见 as05。这里把 GNN 拆成三章讲透，不要指望在一节里同时吞掉公式、变体和产业案例。
图解说明：先把「沿边收消息」讲清楚，再看 GCN / SAGE / GAT / GIN 各自改了三步里的哪一步，最后才落到分子、气象、推荐、芯片。demo 在变体那一章，CPU 上从零实现，不装 PyG。
| 章 | 在问什么 |
|---|---|
| 消息传递 | 图的零件、三种任务、(\phi) / AGG / (\psi)、感受野、读出 |
| 变体 | GCN、GraphSAGE、GAT、GIN、R-GCN、GraphTransformer；怎么选 |
| 应用与坑 | 化学、AlphaFold、MeshGraphNets、GraphCast、推荐、芯片；过平滑 / 过挤压 |
建议顺序就是表里这一行。读 RSSM 或 Transformer 之前，至少要能回答：邻居是谁、消息怎么聚合、输出在节点上还是整张图上。
📥 Code
GCN / GAT 对照实验放在变体章一起讲。源码仍在本组 code/：
| File | View | Download |
|---|---|---|
| demo.py | Open | Download |
| exercise.py | Open | Download |