在了解 GNN 架构后，接下来的重点是学习如何训练这些模型。本章将介绍从确定 GNN 架构到完成特定图数据任务的全过程。

你将学习如何为节点分类等应用配置模型，包括将最终生成的节点嵌入 (embedding)传入分类层。接着，我们会说明如何选择合适的目标函数（如交叉熵损失）来衡量模型误差。本章的主要内容是构建标准的训练循环：包括执行前向传播、计算损失以及通过反向传播 (backpropagation)更新模型权重 (weight)。

我们还会讲解图学习特有的操作。这包括数据划分时“转导式”（transductive）和“归纳式”（inductive）的区别，以及它们对模型评估的影响。你将学习使用准确率等标准指标来评估模型效果。最后，我们会介绍 dropout 等正则化 (regularization)方法，以提升模型的泛化能力。本章最后附带动手练习，让你应用上述步骤来训练之前构建的 GCN 模型。