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844 收藏 1
点赞数
分类专栏： GNN 文章标签： GNN
本文由新智元原创，首次探讨图神经网络（GNN）的基本概念及其应用前景，旨在为读者提供GNN领域的入门级知识。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】
u013250861的博客
10-31 1376
空域卷积非常直观地借鉴了图像里的卷积操作，但缺乏一定的理论基础。而频域卷积则不同，相比于空域卷积而言，它主要利用的是**图傅里叶变换(Graph Fourier Transform)**实现卷积。简单来讲，它利用图的**拉普拉斯矩阵(Laplacian matrix)**导出其频域上的的拉普拉斯算子，再类比频域上的欧式空间中的卷积，导出图卷积的公式。虽然公式的形式与空域卷积非常相似，但频域卷积的推导过程却有些艰深晦涩。接下来我们将攻克这部分看起来很难的数学公式，主要涉及到。
十分钟读完CNN、RNN、VAE、GAN、GNN
m0_62452833的博客
11-03 760
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。
图机器学习——5.3 图神经网络：GNN与CNN及Transformer的关系
Kanny
05-23 3288
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
005 CNN、GNN
理工伪文青
05-05 266
DNN（Convolutional Neural Network，卷积神经网络） Why CNN for Image The same patterns appear in different regions Subsampling the pixels will not change the object GNN（Graph Neural Networks） 通过节点把图像变成图（数...
nlp深度学习基础-CNN、GNN、RNN
◝(⑅•ᴗ•⑅)◜..°♡的博客
09-28 4249
NLP深度学习之CNN、GNN、RNN的学习记录
CNN已老，GNN来了！清华大学孙茂松组一文综述GNN
数据派THU
01-06 8234
来源：新智元本文约3500字，建议阅读7分钟。本文将带你了解UCI数据库的Python API，通过实际案例拆解并讲解代码。[ 导读 ]深度学习无法进行因果推理，而图模型...
图神经网络（6）-续 GNN与CNN,TRANSFORMER的关系
qq_44689178的博客
03-05 2884
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（..
Graph Neural Networks (GNN)（一）：Spatial-GNN
CaoChengtai的博客
06-05 3777
1. 想法 CNN 中的卷积核（e.g., 3 * 3）算某一个像素点的 feature 的时候，可以看成把这个像素点周围的像素点的特征按照一定的权重加权求和。 卷积操作类似于内积，即把卷积核里的每个权重和对应像素点值相乘，最后相加，得到的结果就是这个点的新的特征。 Spatial-GNN 想要把这种卷积操作直接推广到 Graph 上。 2. 做法 将某个节点周围的领域节点特征收集起来，进行某一种操作，然后更新这个节点的特征。 图片来源：李宏毅老师 2020 课程： 上面我觉得直接把 i 看成 0 来理解
GNN Algorithms(7): DDPM
天狼啸月1990的博客
06-21 1114
扩散模型 diffusion model：正向扩散过程 Forward Diffusion Process、反向生成过程 Reverse Generation Process.本质：DDPM, Denoising Diffusion Probabilistic ModelT steps 加噪：没有参数-> 生成一个符合正态分布的纯噪声图像xt，就是噪声noise。T steps 去噪：有参数-> 从噪声noise中恢复一个清晰、有意义的图像。
【GNN】万字长文带你入门 GCN
阿泽的学习笔记
05-21 1900
断断续续写了一个多星期，期间找了很多同学讨论学习，感谢指导过点拨过我的同学们，为了精益求精本着不糊弄别人也不糊弄自己的原则在本文中探讨了很多细节。 当然，还有很多细节没提到，包括总变差（Total Variation）、空域和频域视角下的图信号等，有兴趣的同学可以深入了解下图信号处理，本人才疏学浅还希望抛砖引玉引出更多的 GCN 的文章。 非常感谢知乎 @superbrother 同学和蘑菇先生的精彩笔记才使得我能够入门 GCN，当然我也将公开我的笔记希望能帮助更多的同学。 1. Convolutional
李宏毅助教GNN视频笔记
qq_42033584的博客
10-09 425
介绍 一、Gragh 主要强调节点和边的性质。 二、GNN 1.GNN可以做分类和generation 2.三个小问题： 我们如何利用结构和关系来帮助我们的模型？ 如果图像更大，比如20k 节点呢？ 如果我们没有所有的标签呢？（标签不多情况下） 一个节点可以从它的邻居那里学习结构，可以利用卷积 如何利用卷积将节点嵌入到特征空间中？ 解决方案1: 将卷积(相关)概念推广到图形 > 基于空间的卷积 解决方案2: 回到信号处理中卷积的定义 > 基于谱的卷积 ** 策略 任务、数据集和基准 Task
图神经网络（GNN）的一些论文介绍
02-26
图神经网络论文的介绍，包括多种Graph Embedding、GCN、序列方式的处理。
神经网络CNN、RNN、GNN
qq_40353662的博客
07-30 3456
CNN、RNN、GNN这么多的神经网络有什么区别和联系？ 先聊聊什么是神经网络吧 我们的目标是打造人工智能，拥有智慧的大脑无疑是最好的模仿对象。人脑中约有860亿个神经元，这被认为是我们能够思考的原因。神经元有一个细胞体和很多突触组成，能处理电信号，并将它们传递到该去的地方，仿照人脑神经元和工作原理，人们构建了神经网络，一个由节点连接而成的网，我们同样会称呼这些节点为神经元，不过它是一个抽象概念，大部分时间都被用来存储数字，神经突出则被抽象为有权重的连接，决定了数字将如何改变以及传递给哪些神经元。 神经网络
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 9501
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
【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 6866
本文将对几个深度学习方法进行对比研究
5、GNN和CNN区别
jiangjiang_5704的博客
06-03 1409
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。
图卷积网络(Graph Convolutional Networks,GNN)简述
a1013552415的博客
08-26 1151
1 什么是离散卷积？CNN中卷积发挥的作用？ 了解GCN之前先要对离散卷积或者说CNN中的卷积有一个认识： 离散卷积本质是一种加权求和，如图1，CNN中的卷积实质是利用一个共享参数的过滤器（kernel），也叫卷积核，通过计算中心像素点以及相邻像素点的加权和来构造特征图（feature map）实现空间特征的提取，当然加权系数就是卷积核的权中系数。 卷积核的系数的确定：通过随机化初始，然后根据误差函数通过反向传播（Back Propagation,BP）与梯度下降（Gradient Desc...
深度学习体系结构——CNN, RNN, GAN, Transformers, Encoder-Decoder Architectures算法原理与应用
知来者逆的博客
04-14 4103
详细介绍深度学习架构卷积神经网络（CNN）、递归神经网络（RNN）、生成对抗网络（GAN）、变换器和编解码器架构。
GNN的理解与研究
热门推荐
weixin_43702653的博客
03-30 3万+
GNN理解
cnn+gnn
最新发布
03-11
### 卷积神经网络(CNN)与图神经网络(GNN)的区别 #### 定义与概念 卷积神经网络（CNN）主要用于处理具有网格状拓扑结构的数据，如图像。这类数据可以被自然地表示成二维矩阵形式，其中每个像素与其周围的像素有固定的连接关系[^3]。 相比之下，图神经网络（GNN）适用于非欧几里得空间中的复杂结构化数据建模，这些数据通常由节点和边组成图形结构。GNN能够捕捉到实体之间的依赖性和交互模式，这使得其非常适合社交网络、分子化学等领域内的任务[^2]。 #### 结构差异 CNN采用滑动窗口机制对输入特征进行局部感知并提取有用信息；而GNN则通过消息传递算法迭代更新节点状态向量，从而获取全局上下文信息。这种设计允许GNN更好地适应任意形状的不规则数据分布情况下的学习需求[^4]。 #### 计算方式的不同 在传统意义上讲,CNN依靠权重共享原则减少参数数量,提高泛化能力;对于给定大小的感受野来说,每次只考虑固定范围内的邻域元素来进行运算操作。然而,GNN并不限定感受野尺寸,而是依据实际存在的关联路径长度动态调整聚合区域边界条件,因此更加灵活多变[^1]。 #### 应用场景对比 由于各自擅长处理不同类型的任务特性决定了它们的应用领域有所区别: - **计算机视觉**: CNN因其卓越的空间不变形能力和高效性成为该方向主流架构之一; - **推荐系统/知识图谱构建**: GNN凭借强大的表达力以及良好的解释性能广泛应用于此类涉及大量异质对象间相互作用的问题求解过程之中; - **高光谱图像分类**: GCN作为GNN的一个分支已被证明能有效解决这一难题，并取得了令人瞩目的成果; ```python import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv_layer = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=(3, 3)) def forward(self, x): output = self.conv_layer(x) return output from torch_geometric.nn import GCNConv class SimpleGNN(torch.nn.Module): def __init__(self): super(SimpleGNN, self).__init__() self.gnn_layer = GCNConv(16, 32) def forward(self, data): x, edge_index = data.x, data.edge_index output = self.gnn_layer(x, edge_index) return output ```
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