CNN已老，GNN来了

最新推荐文章于 2025-01-21 11:40:18 发布
最新推荐文章于 2025-01-21 11:40:18 发布
阅读量819 收藏 1
点赞数
分类专栏： GNN 文章标签： GNN
基于GNN和CNN的数据预测（Python完整源码数据包）
11-22
基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN...
nlp深度学习基础-CNN、GNN、RNN
◝(⑅•ᴗ•⑅)◜..°♡的博客
09-28 4138
NLP深度学习之CNN、GNN、RNN的学习记录
【超详细】深度学习三杰：CNN、RNN、GNN 全面对比与应用场景详解
2401_83912923的博客
01-21 4361
本文将对几个深度学习方法进行对比研究
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 12万+
从数据结构到算法：图网络方法初探 论文《Graph Neural Networks: A Review of Methods and Applications》 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session 文章目录图神经网络（Graph Neural Networks，GNN）1. GNN起源1.1 动..
汇总一些计算机研究方向的缩写（CNN、RNN、DNN、GNN、GAN、NLP等等）
白洞，白色的明天在等着我们
10-04 9185
CNN(Convolutional Neural Networks):卷积神经网络 RNN(Recurrent Neural Network):循环神经网络 DNN(Deep Neural Networks):深度神经网络 GNN(Graph Neural Networks):图神经网络 BRNN(Recurrent Neural Network):双向长短时记忆循环神经网络 GAN(Generative Adversarial Networks):生成式对抗网络 NLP(Natural Language
5、GNN和CNN区别
jiangjiang_5704的博客
06-03 1215
但是各个脑区之间的关联性对于判断整个大脑的病变程度非常重要。因此用GNN对大脑的fRMI影像构成的graph进行提取特征和分类，可以很好地捕获大脑脑区之间的结构信息，生成更为高质量的大脑特征进行最终的分类。而GNN由于每个节点的邻居数量不一样，无法直接定义统一大小的滑窗，因此在每个节点的邻居范围内，去节点特征的平均值，然后再经过线性变换得到更为精细的节点特征。与CNN不太一样的地方是：CNN的卷积核是可以学习的参数，而GNN（以GCN为例）的卷积核是对于每个节点周围邻居特征取平均。
基于GNN的语义分割.docx
04-24
深度学习技术在语义分割领域中的应用可以追溯到 2010 年代初期，通过使用卷积神经网络（Convolutional Neural Network，CNN）等模型可以实现图像的语义分割。深度学习技术可以自动学习图像中的特征，从而提高语义...
GNN讲义pdf超详细
10-18
与CNN相比，GNN能够处理任意大小和形状的图结构。 #### GNN的关键组成部分 1. **局部转换函数(Local Transition Function)**：定义如何基于当前节点及其相邻节点的信息来更新节点的状态。 2. **局部输出函数(Local...
GNN2讲义pdf超详细
10-18
GNN2讲义pdf超详细 本文将对GNN2讲义pdf进行详细的知识点总结，涵盖了Graph Convolutional Matrix Completion（GC-MC）、AutuRec、CF-NADE、Matrix Factorization（MF）等主题。 1. 图神经网络（GNN） 图神经网络...
GNN github开源代码
05-06
人工智能（AI）最近经历了复兴，在视觉，语言，控制和决策等关键领域取得了重大进展。 部分原因在于廉价数据和廉价计算资源，这些资源符合深度学习的自然优势。 然而，在不同的压力下发展的人类智能的许多定义特征...
图神经网络（6）-续 GNN与CNN,TRANSFORMER的关系
qq_44689178的博客
03-05 2744
这篇文章是接上篇文章的，主要说明一下，GNN与其他网络模型的一下关系。 图神经网络（GNN)与卷积神经网络(CNN)的联系 卷积神经网络的卷积操作也可以看作图神经网络的信息传递和聚集过程。CNN的卷积核（也就是下面公式中的Wl）就对应着GNN中的信息传递处理操作。对于聚集操作，CNN中可以看作是采取的求和（GNN采取的是求和取平均）。对图片中的一个像素点而言，它的邻居节点就是周围的八个像素节点。 可以看到，GNN与CNN的公式可以化成同一种模式。区别就是，卷积神经网络中，像素点的邻居是固定的（..
图机器学习——5.3 图神经网络：GNN与CNN及Transformer的关系
Kanny
05-23 3131
以上就是GNN的基本框架，下面我们来看看GNN与CNN框架及Transformer中的异同。 1）GNN vs. CNN CNN层与层之间的传递公式为： hv(l+1)=σ(∑u∈N(v)∪{v}Wlu hu(l)),∀l∈{0,…,L−1} \mathrm{h}_{v}^{(l+1)}=\sigma\left(\sum_{u \in \mathrm{N}(v) \cup\{v\}} \mathrm{W}_{l}^{u} \mathrm{~h}_{u}^{(l)}\right), \quad \f
GNN图神经网络的原理及GGNN、GCN原理及发代码分析
forthenight996的博客
08-30 5366
GNN图神经网络的原理及GGNN、GCN原理及发代码分析
DNN,RNN,CNN,GNN区分理解
一只菜鸟夹
08-19 1万+
https://zhuanlan.zhihu.com/p/51241366
从神经元到CNN、RNN、GAN…神经网
boatingMan的博客
02-24 1048
神经网络详细分类
从卷积神经网络（CNN）到图卷积神经网络（GCN）详解
weixin_42037511的博客
08-10 1万+
对于图卷积神经网络(GCN)的一个方便入门的详解
十分钟读完CNN、RNN、VAE、GAN、GNN
m0_62452833的博客
11-03 692
图像识别、视频分析、自然语言处理等卷积层：使用滤波器（或称为核）对输入数据进行卷积操作，提取局部特征。池化层：最大池化或平均池化方法，能降低数据维度，减少计算量，保持重要信息。全连接层：通常位于网络的最后几层，用于分类任务。激活函数：如ReLU，用于引入非线性。擅长捕捉空间层次结构，对于图像处理特别有效。
【论文笔记】CNN2GNN: How to Bridge CNN with GNN
xhyu61的博客
05-13 1391
人固然有强大与弱小之分，倘若「开拓」是英雄的使命，那么「同谐」的责任便是以强援弱，因为匹诺康尼的救世主，只能是匹诺康尼人自己。——《崩坏：星穹铁道》知更鸟
CNN GNN GCN
最新发布
03-12
### 卷积神经网络 (CNN)、图神经网络 (GNN) 和图卷积网络 (GCN) 的架构比较 #### 卷积神经网络 (CNN) CNN 是一种专门设计用于处理具有网格状拓扑结构的数据集的深层神经网络模型，最常应用于图像数据。其核心操作是通过滑动窗口应用滤波器来提取局部特征[^1]。 ```python import torch.nn as nn class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv_layer = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3) def forward(self, x): return self.conv_layer(x) ``` #### 图神经网络 (GNN) GNN 设计用来捕捉节点之间的关系以及整个图形中的模式识别。这类算法能够有效地表示和学习复杂的关系型数据，在社交网络分析等领域表现出色[^3]。 ```python from torch_geometric.nn import MessagePassing class GNN(MessagePassing): def __init__(self): super(GNN, self).__init__(aggr='add') def message(self, edge_index_i, x_j): pass def update(self, aggr_out): pass ``` #### 图卷积网络 (GCN) 作为 GNN 的子类之一，GCN 特别强调利用拉普拉斯平滑来进行邻域聚合操作，从而实现更高效的图上信息传播机制。这使得 GCN 成为了处理无向图的理想选择，并广泛应用于推荐系统等场景中。 ```python from torch_geometric.nn import GCNConv class GCN(nn.Module): def __init__(self): super(GCN, self).__init__() self.gcn_conv = GCNConv(16, 32) def forward(self, data): x, edge_index = data.x, data.edge_index return self.gcn_conv(x, edge_index) ``` ### 应用场景对比 - **CNN** 主要适用于计算机视觉领域内的任务，比如物体检测、人脸识别等； - **GNN** 更适合于涉及复杂关联结构的任务，例如分子性质预测或者知识图谱构建； - **GCN** 则擅长解决基于图结构的问题，如社区发现和社会影响力最大化等问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值