下面我们一起做一个MLP练习，数据和代码我放在了仓库中。

开场白

从今天开始将跟大家分享一些关于深度学习的内容。其实关于深度学习，网络上有非常多的课程，同时也有很多的书籍供大家参考。咱们数学与统计学院也卧虎藏龙，有很多深度学习领域做的非常优秀的老师和同学。对于我自己而言呢，我其实是个外行，对于深度学习了解的也非常有限，理解的也很浅薄。所以，给大家分享这个深度学习的短课我是诚惶诚恐，不知道能提供给大家什么样的帮助，因为我自己也是一个深度学习的初学者。

介绍一个事物，我比较习惯遵循着为什么，是什么，怎么做来展开。我想了一下，我们这个短课是为了什么呢，想达到什么目的呢。我回忆了一下自己刚接触深度学习时候的感觉，算法大致的思想和原理马马虎虎能够明白，但是怎么拿思想来解决问题呢，怎么动手写代码呢，好像对于新手两眼一抹黑，非常困惑。因此，我想我这个短课更偏重于应用，偏重于实践。我希望大家能够上完这门短课以后，可以简单了解几个深度学习模型，最重要的是能够快速的搭建简单的深度模型，解决自己手头的问题。

这节课我们简单的介绍一下变分自编网络的Pytorch实践。

MLP简介

下面我们正式开始介绍深度学习。首先介绍最基本的全连接神经网络，它的结构比较简单，由输入层，输出层，隐藏层构成。所谓的输入层就是我们原始的特征向量，比如你设计了一个100维度的特征向量，那么输入层就是100个节点。输出层就是你需要得到结果的维度，比如你是一个二分类问题，你可以输出层是1个节点，也可以设计为两个节点，分别表示属于某个类别的概率。而隐藏层则是为了增加网络的复杂程度，更好的拟合输入输出直接的关系。

本节课我们介绍MLP和CNN的代码实现，我们从Pytorch的安装开始说起。

下面，我想介绍一下这四天的主要内容。

我们第一部分介绍一些基本的深度学习模型，也就是MLP（全连接神经网络/多层感知机）和CNN（卷积神经网络），先大致介绍一下原理和概念。然后我会带着大家进行代码的实践，这期间我会介绍Pytorch搭建深度学习模型大致是分为几个模块，有那些步骤，给大家做一个基本的介绍。然后，我准备了第一个数据，大家可以随着课程进度，一点点的完成代码，然后用我提供的数据跑一跑，数据会放在我的github仓库。

第二部分呢，我打算介绍一下潮流一点的算法，包括GCN（图卷积神经网络），AE（自编码器），VAE（变分自编码器），VGAE（图变分自编码器）。这中间，我会提供第二个数据供大家去完成自己的深度学习模型。

下面的内容我想介绍一些比较潮流的网络模型。首先我们来介绍一下图卷积神经网络，严格来讲，我们想要完整的介绍图神经网络，应从图上卷积的定义开始讨论，然后介绍图上的傅里叶变换，以及基于谱域的图神经网络，最终不断简化成现在经典的图卷积网络。但是这里面的理论确实非常复杂，最起码对我而言，我看着略感头痛。那我们就抛弃理论，选择一个更符合直觉的思路来介绍，按照大部分图神经网络书上的写法，我们这种思路（理解方式）应该称为空域图神经网络。

本节课我们介绍GCN网络的代码实践。