"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，帮助读者深入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章深入分析了图神经网络，重点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，深入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工具库展开，这是一个强大的开源库，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，并进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，以及点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。 "

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。湖南点头教育科技有限公司联合创始人，课程讲师。

前言 几何深度学习作为一个迅速崛起的跨学科研究领域，正在深刻改变我们对复杂数据的处理和理解方式。随着数据复杂性的增加，传统的深度学习方法在应对几何数据时显得力不从心。几何深度学习通过将深度学习与几何学原理相结合，能够有效地处理具有空间结构、对称性和变换特性的复杂数据。这使其在生物、化学、物理、材料科学、工程等领域展现出巨大潜力，提供了全新的研究手段和分析工具。从预测分子性质到生成新的分子结构； 从建模点云数据到模拟天体运动，几何深度学习为处理各类几何数据提供了更加精准的模型与深度学习的解决方案。 在决定写作本书时，笔者不仅考虑了这一领域广阔的应用前景，还注意到其前沿性带来的一个挑战： 当前市场上缺乏系统性且深入的书籍与资料，无法满足研究人员、工程师及学生的需求。几何深度学习作为一个新兴领域，其概念和技术相对复杂且抽象，对基础理论和应用技术的掌握往往需要深入理解和系统化的指导，因此本书旨在填补这一空白，提供一条从基础理论到实用技术的学习路径，帮助读者深入掌握几何深度学习的核心知识。 本书特别注重理论与实践相结合。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，我们深入探讨了图神经网络，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。此外，书中还涵盖了E3NN工具库的使用和具体的代码示例，帮助读者学会如何将这些先进的工具和模型应用于真实问题的解决。 几何深度学习正在引领新的计算时代，这不仅拓展...