一文读懂图卷积GCN

图卷积网络(Graph Convolution Network,GCN) 在图神经网络出现之前,一般的神经网络只能对常规的欧式数据进行处理,其特点就是节点有固定的排列规则和顺序,如2维网格和1维序列。近几年来,将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破,比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题,对节点之间的依赖关系进行建模,从而能够很好地处理图结构数据。 阅读详情

“ 本文的内容包括图卷积的基础知识以及相关辅助理解的知识点,相信同学们看完后一定能平滑上手理解GCN!”

作者:苘郁蓁

来源:知乎专栏 郁蓁的机器学习笔记。

编辑:happyGirl

具体来说,本文包括什么:

  • 图网络的有哪些种类,它们之间的区别和联系是什么?

  • 图卷积的地位,图卷积怎么理解?

  • 有没有一个图卷积的通式,各种不同的公式怎么统一?

  • 有没有一个最简单的例子说明网络的训练过程?

  • 想快速上手有哪些代码实现和库?

本文不包括

  • 傅立叶算子到拉普拉斯算子到拉普拉斯矩阵的数学推倒,感兴趣可以看参考文献。

一文读懂系列文章:

《一文读懂Transformer和Attention》(https://zhuanlan.zhihu.com/p/90033981) 《一文读懂残差网络ResNet》(https://zhuanlan.zhihu.com/p/91385516)

图神经网络GNN相关系列文章:

《什么是Weisfeiler-Lehman(WL)算法和WL Test?》 (https://zhuanlan.zhihu.com/p/90645716)

《图神经网络库PyTorch geometric(PYG)零基础上手教程》 (https://zhuanlan.zhihu.com/p/91229616)


图网络的分类

在最开始,我们先梳理一下经常被提到的几个术语的区别和联系,也就是Graph Embedding,Graph Neural Network和Graph Convolutional Network的区别和联系是什么。

Graph Embedding

图嵌入(Graph Embedding/Network Embedding,GE),属于表示学习的范畴,也可以叫做网络嵌入,图表示学习,网络表示学习等等。通常有两个层次的含义:

  • 将图中的节点表示成低维、实值、稠密的向量形式 ,使得得到的向量形式可以在向量空间中具有表示以及推理的能力,这样的向量可以用于下游的具体任务中。例如用户社交网络得到节点表示就是每个用户的表示向量,再用于节点分类等;

  • 将整个图表示成低维、实值、稠密的向量形式 ,用来对整个图结构进行分类;

图嵌入的方式主要有三种:

  • 矩阵分解: 基于矩阵分解的方法是将节点间的关系用矩阵的形式加以表达,然后分解该矩阵以得到嵌入向量。通常用于表示节点关系的矩阵包括邻接矩阵,拉普拉斯矩阵,节点转移概率矩阵,节点属性矩阵等。根据矩阵性质的不同适用于不同的分解策略。

  • DeepWalk: DeepWalk 是基于 word2vec 词向量提出来的。word2vec 在训练词向量时,将语料作为输入数据,而图嵌入输入的是整张图,两者看似没有任何关联。但是 DeepWalk 的作者发现,预料中词语出现的次数与在图上随机游走节点被访问到底的次数都服从幂律分布。因此 DeepWalk 把节点当做单词,把随机游走得到的节点序列当做句子,然后将其直接作为 word2vec 的输入可以节点的嵌入表示,同时利用节点的嵌入表示作为下游任务的初始化参数可以很好的优化下游任务的效果,也催生了很多相关的工作;

  • Graph Neural Network: 图结合deep learning方法搭建的网络统称为图神经网络GNN,也就是下一小节的主要内容,因此图神经网络GNN可以应用于图嵌入来得到图或图节点的向量表示;

Graph Neural Network

图神经网络(Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称,根据采用的技术不同和分类方法的不同,又可以分为下图中的不同种类,例如从传播的方式来看,图神经网络可以分为图卷积神经网络(GCN),图注意力网络(GAT,缩写为了跟GAN区分),Graph LSTM等等,本质上还是把文本图像的那一套网络结构技巧借鉴过来做了新的尝试。但在这篇文章中并不会细细介绍下面的每一种,作为入门篇,我们着重理解最经典和最有意义的基础模型GCN,这也是理解其他模型的基础。

图神经网络GNN的分类:分别从图的类型,训练的方式,传播的方式三个方面来对现有的图模型工作进行划分

Graph Convolutional Network

图卷积神经网络(Graph Convolutional Network, GCN)正如上面被分类的一样,是一类采用图卷积的神经网络,发展到现在已经有基于最简单的图卷积改进的无数版本,在图网络领域的地位正如同卷积操作在图像处理里的地位。

GCN的区别和联系

如图2所示,这三个比较绕的概念可以用一句话来概括:图卷积神经网络GCN属于图神经网络GNN的一类,是采用卷积操作的图神经网络,可以应用于图嵌入GE。

卷积VS图卷积

要理解图卷积网络的核心操作图卷积,可以类比卷积在CNN的地位。

如下图所示,数字图像是一个二维的离散信号,对数字图像做卷积操作其实就是利用卷积核(卷积模板)在图像上滑动,将图像点上的像素灰度值与对应的卷积核上的数值相乘,然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值,并最终滑动完所有图像的过程。

用随机的共享的卷积核得到像素点的加权和从而提取到某种特定的特征,然后用反向传播来优化卷积核参数就可以自动的提取特征,是CNN特征提取的基石 。

图像卷积

然而,现实中 更多重要的数据集都是用图的形式存储的,例如社交网络信息,知识图谱,蛋白质网络,万维网等等。这些图网络的形式并不像图像,是排列整齐的矩阵形式,而是非结构化的信息,那有没有类似图像领域的卷积一样,有一个通用的范式来进行图特征的抽取呢 ?这就是图卷积在图卷积网络中的意义。

对于大多数图模型,有一种类似通式的存在,这些模型统称GCNs。因此可以说,图卷积是处理非结构化数据的大利器,随着这方面研究的逐步深入,人类对知识领域的处理必将不再局限于结构化数据( CV,NLP),会有更多的目光转向这一存在范围更加广泛,涵盖意义更为丰富的知识领域。

接下来我们就来逐步拆解这个范式。

图卷积

图结构实例

图的定义

对于图,我们有以下特征定义:

对于图    ,    为节点的集合,   为边的集合,对于每个节点    , 均有其特征    ,可以用矩阵   表示。其中    表示节点数,   表示每个节点的特征数,也可以说是特征向量的维度。

图卷积的形象化理解

在一头扎进图卷积公式之前,我们先从其他的角度理解一下这个操作的物理含义,有一个形象化的理解,我们在试图得到节点表示的时候,容易想到的最方便有效的手段就是利用它周围的节点,也就是它的邻居节点或者邻居的邻居等等,这种思想可以归结为一句话:

图中的每个结点无时无刻不因为邻居和更远的点的影响而在改变着自己的状态直到最终的平衡,关系越亲近的邻居影响越大。

实际上从邻居节点获取信息的思想在很多领域都有应用,例如word2vec,例如pagerank。关于这个点展开的内容文章[2]有非常详细的解释。

更加细节的如何从傅立叶变换到拉普拉斯算子到拉普拉斯矩阵的数学推倒可以转向博客[7],为了避免数学功底没有那么强的初学者(比如我)被绕晕,我们先建立大纲,不要太发散。

图相关矩阵的定义

那么有什么东西来度量节点的邻居节点这个关系呢,学过图论的就会自然而然的想到邻接矩阵和拉普拉斯矩阵。举个简单的例子,对于下图中的左图(为了简单起见,举了无向图且边没有权重的例子)而言,它的度矩阵   ,邻接矩阵    和拉普拉斯矩阵   分别如下图所示,度矩阵    只有对角线上有值,为对应节点的度,其余为0;邻接矩阵   只有在有边连接的两个节点之间为1,其余地方为0;拉普拉斯矩阵    为   。但需要注意的是,这是最简单的一种拉普拉斯矩阵,除了这种定义,还有接下来介绍的几种拉普拉斯矩阵。

一个图的度矩阵,邻接矩阵和拉普拉斯矩阵

图卷积的通式

任何一个图卷积层都可以写成这样一个非线性函数:

  为第一层的输入,    ,   为图的节点个数,    为每个节点特征向量的维度,    为邻接矩阵,不同模型的差异点在于函数    的实现不同。

下面介绍几种具体的实现,但是每一种实现的参数大家都统称拉普拉斯矩阵。

实现一

其中    为第    层的权重参数矩阵,    为非线性激活函数,例如ReLU。

这种思路是基于节点特征与其所有邻居节点有关的思想。邻接矩阵    与特征   相乘,等价于,某节点的邻居节点的特征相加。这样多层隐含层叠加,能利用多层邻居的信息。

但这样存在两个问题:

  • 没有考虑节点自身对自己的影响;

  • 邻接矩阵   没有被规范化,这在提取图特征时可能存在问题,比如邻居节点多的节点倾向于有更大的影响力。

因此实现二和实现三针对这两点进行了优化。

实现二

拉普拉斯矩阵    ,学名Combinatorial Laplacian,是针对实现一的问题1的改进:

  • 引入了度矩阵,从而解决了没有考虑自身节点信息自传递的问题

实现三

对于这里的拉普拉斯矩阵    ,学名Symmetric normalized Laplacian,也有论文或者博客写   , 就是一个符号的差别,但本质上还是实现一的两个问题进行的改进:

  • 引入自身度矩阵,解决自传递问题;

  • 对邻接矩阵的归一化操作,通过对邻接矩阵两边乘以节点的度开方然后取逆得到。 具体到每一个节点对  ,  ,矩阵中的元素由下面的式子给出(对于无向无权图):

其中    分别为节点   的度,也就是度矩阵在节点    处的值。

可能有一点比较疑惑的是怎么两边乘以一个矩阵的逆就归一化了? 这里需要复习到矩阵取逆的本质是做什么。

我们回顾下矩阵的逆的定义,对于式子    ,假如我们希望求矩阵X,那么当然是令等式两边都乘以   ,然后式子就变成了    。

举个例子对于,单个节点运算来说,做归一化就是除以它节点的度,这样每一条邻接边信息传递的值就被规范化了,不会因为某一个节点有10条边而另一个只有1条边导致前者的影响力比后者大,因为做完归一化后者的权重只有0.1了,从单个节点上升到二维矩阵的运算,就是对矩阵求逆了,乘以矩阵的逆的本质,就是做矩阵除法完成归一化。但左右分别乘以节点i,j度的开方,就是考虑一条边的两边的点的度。

常见的拉普拉斯矩阵除了以上举的两种,还有   等等[3][4],归一化的方式有差别,根据论文[5]的实验,这些卷积核的形式并没有一种能够在任何场景下比其他的形式效果好,因此在具体使用的时候可以进行多种尝试,但主流的还是实现三,也就是大多数博客提到的。

另一种表述

上面是以矩阵的形式计算,可能会看起来非常让人疑惑,下面从单个节点的角度来重新看下这些个公式(本质是一样的,上文解释过,对于单个节点就是除法,对于矩阵就是乘以度矩阵的逆),对于第   层的节点的特征    ,对于它的邻接节点   ,    是节点   的所有邻居节点的集合,可以通过以下公式计算得到:

其中,    ,    ,   为    的邻居节点,    为   的度,这跟上面的公式其实是等价的,所以有些地方的公式是这个,有些的上面那个。

码字不易,觉得有收获记得点赞哦~

更多内容,欢迎点击文末阅读原文关注作者的专栏和作者交流!

参考文献

[1]  https://  zhuanlan.zhihu.com/p/77729049 图嵌入的分类

[2]  https://www.zhihu.com/question/54504471/answer/630639025 关于图卷积的物理学解释

[3] https://www.zhihu.com/question/54504471/answer/332657604拉普拉斯公式推倒细节,包括谱分解和傅立叶变换

[4] http://tkipf.github.io/graph-convolutional-networks 两篇论文细讲

[5] https://github.com/conferencesub/ICLR_2020各种图卷积核比较

[6] https://persagen.com/files/misc/scarselli2009graph.pdfGNN首次被提出的paper

[7] https://zhuanlan.zhihu.com/p/85287578 拉普拉斯矩阵和拉普拉斯算子的关系

(完)


GCN-图卷积神经网络算法讲解(通俗版) 阅读详情

相关推荐

GCN图卷积神经网络综述

文章目录一、GNN简史二、GCN的常用方法及分类2.1 基于频域的方法2.2 基于空间域的方法2.3频域是一种特殊的空间域方法三、 GCN常用的基准数据集四、GCN的主要应用五、GCN的开源库六、对于GCN的未来发展方向 一、GNN简史 二、GCN的常用方法及分类 2.1 基于频域的方法 2.2 基于空间域的方法 2.3频域是一种特殊的空间域方法 三、 GCN常用的基准数据集 四、GCN的主要应用 五、GCN的开源库 六、对于GCN的未来发展方向 近年来,关于GCN的综述类文章出了很多, ...

m0_47645778的博客 1万+

简单讲解图卷积网络(Graph Convolutional Layer)附代码

图卷积操作(Graph Convolution Operation)是一种针对图结构数据的特殊卷积操作。在卷积神经网络(CNN)中,卷积操作常在网格数据(如图片)上进行。相比之下,图卷积操作是为了处理不规则的图结构数据而设计的。在图卷积操作中,节点的特征表示是根据邻居节点的特征和自身的特征来更新的。这个过程可以视为在图上的信息传播和聚合操作。具体来说,一个节点的新特征是其邻居节点特征的加权平均,权重通常由节点之间的连接和它们的度(即连接数)决定。给定一个节点 ii,其嵌入hi​hi​​。

weixin_44517742的博客 3046

深入理解图卷积神经网络(GCN)原理

深入理解图卷积神经网络(GCN)原理 文章目录深入理解图卷积神经网络(GCN)原理前言一、为什么需要GCN二、GCN的原理1.图的定义2.GCN来了2.1 矩阵计算公式2.2 以小规模矩阵讲解公式含义2.3 综上所述:三、GCN有多牛总结 前言 深度学习的发展日新月异,从经典的深度网络(DNN、CNN、RNN)到GAN、强化学习。深度学习覆盖的应用场景越来越丰富。今天介绍的图神经网络是另一类深度学习方法。虽然,图神经网络也可以纳入深度学习的范畴,但它有着自己独特的应用场景和算法实现,对初学者并不算太友好

fs1341825137的博客 2万+

【GNN】一文读懂图卷积GCN

点击上方,选择星标或置顶,每天给你送干货!阅读大概需要14分钟跟随小博主,每天进步一丢丢“本文的内容包括图卷积的基础知识以及相关辅助理解的知识点,相信同学们看完后一定能平滑上手理解GC...

zenRRan的博客 849

图卷积神经网络(GCN)理解与tensorflow2.0代码实现

图(Graph),一般用 G=(V,E)G=(V,E)G=(V,E) 表示,这里的VVV是图中节点的集合,EEE 为边的集合,节点的个数用NNN表示。在一个图中,有三个比较重要的矩阵: 特征矩阵XXX:维度为 N×DN\times DN×D ,表示图中有N个节点,每个节点的特征个数是D。 邻居矩阵AAA:维度为 N×NN\times NN×N ,表示图中N个节点之间的连接关系。 度矩阵 DDD:维度为 N×NN\times NN×N ,是一个对角矩阵,即只有对角线上不为零,其他位置元素都是 0 ,表示图中

VariableX的博客 9853

快速了解GCN(图卷积神经网络)

如何理解 Graph Convolutional Network(GCN)? https://www.zhihu.com/question/54504471 推荐初学者可以先从知乎的这个问题出发,点赞最多的《从CNN到GCN的联系与区别——GCN从入门到精(fang)通(qi)》 该篇文章非常详细且能够帮助初学者理解的讲述了GCN的大部分理论过程。再补充以后面几人回答的知识,便可以说对GCN有...

u011537121的博客 4万+

gcn 图卷积神经网络_复制一文读懂图卷积GCN

首发于郁蓁的机器学习笔记写文章一文读懂图卷积GCN苘郁蓁​阿里巴巴 算法工程师​关注她唯物链丶、小小将等 480 人赞同了该文章本文的内容包括图卷积的基础知识以及相关辅助理解的知识点,希望有一定深度学习基础的同学能够平滑上手理解GCN。具体来说,本文包括什么:图网络的有哪些种类,它们之间的区别和联系是什么?图卷积的地位,图卷积怎么理解?有没有一个图卷积的通式,各种不同的公式怎么统一?有没有一个最简...

weixin_39726044的博客 431

图卷积网络(GCN)从谱域理论到工业级图学习

图卷积网络(Graph Convolutional Network, GCN)是一类专门用于处理图数据的神经网络模型。它将图的拓扑结构与节点特征结合起来,通过图卷积操作来提取节点之间的关系和特征信息。相比传统的卷积神经网络(Convolutional Neural Network, CNN),GCN能够直接在不规则的图结构上运行,而无需将其转换为规则的网格数据。在深入了解图神经网络(Graph Neural Network, GNN)之前,需要理解图的基础知识。

hello.reader 2万+

gcn 图卷积神经网络_一文读懂图卷积GCN

本文的内容包括图卷积的基础知识以及相关辅助理解的知识点,希望有一定深度学习基础的同学能够平滑上手理解GCN。具体来说,本文包括什么:图网络的有哪些种类,它们之间的区别和联系是什么?图卷积的地位,图卷积怎么理解?有没有一个图卷积的通式,各种不同的公式怎么统一?有没有一个最简单的例子说明网络的训练过程?想快速上手有哪些代码实现和库?本文不包括傅立叶算子到拉普拉斯算子到拉普拉斯矩阵的数学推倒,感兴趣可以...

weixin_39554170的博客 768

图卷积网络(Graph Convolutional Networks, GCN)详细介绍

Worldora-于 2021-02-17 10:50:40 发布分类专栏:机器学习笔记版权​编辑机器学习笔记专栏收录该内容4 篇文章8 订阅订阅专栏本文翻译自博客。在这篇博文中会为大家详细地介绍目前使用广泛的图神经网络——图卷积网络(Graph Convolutional Networks, GCN)的相关知识。首先将带领大家直觉上感受其工作原理,然后再介绍更深层的数学原理。

具身机器人和通用AI 3852

QOpenGL入门教程(二)—— 第一个QOpenGLWidget程序

终于到了实际操作的环节了,这一章我们要做的是: 创建OpenGL窗口 创建并编写着色器程序 为着色器程序装配顶点数据 启动渲染管线进行绘图 第一步:创建新项目 首先,我们使用Qt创建一个常规的QWidget项目,建议不要勾选ui设计器(个人习惯,笔者不太习惯于使用ui来设计) 第二步:创建QOpenGLWidget并实现三个虚函数 QOpenGLWidget Qt5.4之前,Qt可以通过一个QGLWidget类来创建OpenGL窗口,但由于opengl的发展,在5.4版本的时候,Qt提供

ItaLink 1万+

一文读懂简化的图卷积网络GCN(SGC)| ICML 2019

点击上方,选择星标或置顶,每天给你送干货!阅读大概需要19分钟跟随小博主,每天进步一丢丢作者 | yyl424525来源 | 优快云博客编辑|AI科技大本营文章目录1 相关介绍1....

zenRRan的博客 1795

微调BERT进行中文文本分类任务(Pytorch代码实现)

BERT(Bidirectional Encoder Representation from Transformers)是2018年10月由Google AI研究院提出的一种预训练模型。其模型结构由多层Transformer的Encoder堆叠而成,在大规模语料中进行预训练后,迁移到下游任务,仅进行参数微调训练,就能显著提升性能。本文聚焦于微调中文BERT进行新闻标题分类任务的代码实现。

Iswayzw的博客 1万+

图神经网络 | (1) 一文读懂图卷积GCN

原文地址 目录 1. 图网络的分类 2. 卷积 3. 图卷积 4. 图卷积的通式 5. 参考文献 1. 图网络的分类 在最开始,我们先梳理一下经常被提到的几个术语的区别和联系,也就是Graph Embedding,Graph Neural Network和Graph Convolutional Network的区别和联系是什么。 Graph Embedding 图嵌入(Grap...

sdu_hao的博客 7948

智能检查点优化:动态频率与差异化存储的断点续训实践(模型训练丨容错机制丨人工智能)

本文深入探讨了大规模模型训练中智能检查点优化的核心实践。针对传统固定频率保存导致的存储浪费与恢复缓慢问题,提出了基于损失变化率的动态频率算法与分层差异化存储策略。通过PyTorch代码示例,详细展示了如何实现动态调度与增量保存,有效降低存储成本,并确保训练中断后能快速、可靠地恢复,显著提升训练任务的容错能力与经济效益。

weixin_29072299的博客 335

毕设案例|保安公司智慧管理系统的建设与开发方案

"保安公司智慧管理系统是一款专为保安行业设计的高效信息化解决方案,其核心功能涵盖了从人力资源管理到业务运营的各个方面。系统以Java作为开发语言,结合SpringMVC框架,确保了稳定性和可扩展性,而MySQL数据库则提供了强大的数据存储和处理能力。首先,系统允许用户设置各类保安,如门卫、巡逻员等,实现精细化分类管理。其次,保安信息管理模块包括详细的人事档案、资格证书、培训记录等,便于人员追踪和考核。部门和城市设置方便公司层级管理和异地项目管理。岗位设置与时间安排精确到分钟,确保排班科学合理。

muyu2980的专栏 938

图神经网络 一文读懂图卷积GCN(一些直观了解)

原文链接:https://mp.weixin.qq.com/s/9YqPSvfmfFnOrGzbmzPZbQ Graph Neural Network 图神经网络(Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称,根据采用的技术不同和分类方法的不同,又可以分为下图中的不同种类,例如从传播的方式来看,图神经网络可以分为图卷积神经网络(GCN),图注意力网络(GAT,缩写为了跟GAN区分),Graph LSTM等等,本质上还是把文本图像的那一套网络结构技巧借鉴过来.

dujuancao11的博客 2551

基于LTspice的共模电感差模/共模插入损耗仿真指南

在电源与EMC设计领域,插入损耗是衡量滤波器件抑制噪声能力的核心指标。共模电感作为EMI滤波器中最常见的元器件之一,其差模与共模插入损耗特性直接影响整体滤波方案的合规性。然而,仅依赖规格书曲线往往难以覆盖真实应用中的阻抗条件,借助SPICE仿真工具进行电路级验证已成为工程师常用的手段。LTspice凭借其轻量、高效的交流分析能力,能够帮助设计者快速搭建共模电感等效模型,并通过调整耦合系数、寄生电容等参数,还原漏感与谐振行为。本文以Wurth Elektronik的WE 744821201型号为例,从基本测试

weixin_27252001的博客 295

图卷积的概述

一文读懂图卷积GCN

m0_58557812的博客 76

halcon 检测直线

图中后三个对象既是检测出的图像;

qq_59062726的博客 667

论文必备 - YOLOv8训练前一键扩充数据集,支持9种扩充方法,支持图像和标签同步扩充

在网络模型训练前,大量的数据集是必备的。而对于一些特殊场景中的特殊目标,大量的数据集往往难以获取,无法满足模型训练的基本需求。本文提供了,脚本可一键运行,。

Limiiiing的博客 771

gcn 图卷积神经网络_一文读懂简化的图卷积网络GCN(SGC)| ICML 2019

作者 | yyl424525来源 | 优快云博客文章目录1 相关介绍1.1 Simple Graph Convolution (SGC)提出的背景1.2 SGC效果2 Simple Graph Convolution 简化的图卷积2.1 符号定义2.2 图卷积网络GCNGCN vs MLPFeature propagation 特征传播Feature transformation and non...

weixin_39980234的博客 322

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

一文了解GCN(理论)

对于图,我们有以下特征定义:对于图, 为节点的集合, 为边的集合,对于每个节点 , 均有其特征 ,可以用矩阵 表示。其中 表示节点数,表示每个节点的特征数,也可以说是特征向量的维度。那么有什么东西来度量节点的邻居节点这个关系呢,学过图论的就会自然而然的想到邻接矩阵和拉普拉斯矩阵。举个简单的例子,对于下图中的左图(为了简单起见,举了无向图且边没有权重的例子)而言,它的度矩阵D,邻接矩阵A和拉普拉斯矩阵L分别如下图所示,度矩阵D只有对角线上有值,为对应节点的度,其余为0;邻接矩阵A。

m0_59777389的博客 1054

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

上一篇: 手把手教你用 Flask,Docker 和 Kubernetes 部署Python机器学习模型(附代码)
下一篇: 快速掌握TensorFlow中张量运算的广播机制
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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