GCN详解

原创 已于 2022-04-17 13:03:35 修改 · 219 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

于 2022-04-16 11:40:54 首次发布
本文详细探讨了JavaScript中的异步编程概念，包括回调函数、Promise、async/await等。通过实例解析，帮助读者掌握异步操作的处理技巧，提升JavaScript编程能力。
GCN graph convolutional networks 详解
Love-Coding
09-11 7661
首先要充分了解卷积： 然后再看graph上 图摘自 https://download.youkuaiyun.com/download/guotong1988/10635690
GCN图卷积网络入门详解
weixin_40920183的博客
07-28 1336
字幕组双语原文：【GCN】图卷积网络(GCN)入门详解英语原文：Graph Convolutional Networks (GCN)翻译：听风1996、大表哥在这篇文章中，我们将仔细研...
卷积神经网络不能处理“图”结构数据？这篇文章告诉你答案
weixin_34133829的博客
08-02 866
本文要介绍的这一篇paper是ICML2016上一篇关于 CNN 在图（graph）上的应用。ICML 是机器学习方面的顶级会议，这篇文章--<< Learning CNNs for Graphs>>--所研究的内容也具有非常好的理论和实用的价值。如果您对于图的数据结构并不是很熟悉建议您先参考本文末的相关基础知识的介绍。 CNN...
图卷积网络初探【GCN】
WeisongZhao
03-09 4127
最近GCN非常火，虽然个人暂时用不到GCN，但还是简单看了下理论，感觉不是特别复杂，但是似乎实现上较为有难度，尤其是高维的图表示，先转载一篇机器之心的文章学习一下，感觉GCN主要是处理复杂的关系网络，与常见的CV和NLP任务并不十分相同。 何为图卷积网络？ GCN 是一类非常强大的用于图数据的神经网络架构。事实上，它非常强大，即使是随机初始化的两层 GCN 也可以生成图网络中节...
深度学习之GCN的简单理解
zlinxi
07-11 9754
一、概述 GCN是一类非常强大的用于图书局的神经网络架构，下图展示了一个两层 GCN 生成的每个节点的二维表征，即使没有经过任何训练，这些二维表征也能够保存图中节点的相对邻近性。对于CNN中的卷积，本质上是利用一个共享参数的过滤器，计算中心像素点以及相邻像素点的加权和来构成特征图实现空间特征的提取，卷积核的参数通过优化求出才能实现特征提取的作用，而GCN的理论很大一部分就是为了引入可以优化的卷积...
【图结构】之图神经网络GCN详解
qq_41995574的博客
09-01 1万+
作者：張張張張 github地址：https://github.com/zhanghekai 【转载请注明出处，谢谢！】 一、GCN诞生的由来 \qquadCNN系列： 做图像识别时，对象是图片，是一个二维的结构，于是人们发明了CNNCNNCNN这种神奇的模型来提取图片的特征。CNNCNNCNN的核心在于它的kernelkernelkernel，kernelkernelkernel是一个个小窗口...
图卷积神经网络GCN详解
最新发布
m0_59777389的博客
08-07 1401
神经网络中的权重可通过监督学习，或者无监督学习（也叫自监督学习）方式获得。对于监督学习任务，比如半监督学习节点分类，如已知部分节点类别，可构建损失函数。比如以v节点为例，将其输入图卷积神经网络得到嵌入，再加预测头预测是否发生欺诈，将预测结果与真实结果比对，算出如交叉熵损失函数（用于分类任务），目标是迭代优化神经网络权重，使交叉熵损失函数最小化，这是训练过程。若是无监督学习且没有节点标签，可借鉴。
图卷积GCN详解
zhuofutong的博客
11-12 4474
首发于神经网络--从入门到放弃写文章卷积神经网络CNN完全指南终极版（一）沉迷学习的糕糕​要成为最可爱的产品经理 （握拳！​关注她5,367 人赞同了该文章目录导读【1】导论【2】卷积运算【3】非线性激活【4】池化层 【5】全连接层【6】神经网络的训练与优化【7】想到再补充【1】导论先来说一写题外话...研究生入学后就被导师逼着学习神经网络，一开始非常盲目，先是在网上搜了一大堆的资料，各种什么“一文读懂卷积神经纹网络”，“叫你三分钟搭建属于自己的神经网络框架”，“五分钟速读神经网络全解”，之类的文章层出不穷
GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））
jkokj23153的博客
09-15 2206
这里给的代码链接是用PyTorch实现的，原始论文中的代码是用Tensorflow实现的，有兴趣的可以自己玩
pytorch geometric教程二 GCN源码详解+实战
weixin_39925939的博客
11-18 6032
pytorch geometric教程二 GCN代码详解+实战pytorch geometric教程二 GCN代码详解&实战原理回顾矩阵形式点维度GCN代码（GCNConv）__init__邻域聚合方式参数含义forward参数forward主体消息传递一，edge_index为Tensor二，edge_index为SparseTensor实战 pytorch geometric教程二 GCN代码详解&实战 这一篇是建立在你已经对pytorch geometric消息传递&跟新的原理
GCN-图卷积神经网络算法讲解（通俗版）
weixin_50706330的博客
10-24 3万+
GCN-图卷积神经网络算法讲解（通俗版）
图算法之GCN实现原理以及代码
LUyan10086的博客
05-24 1827
GCN（图卷积网络，Graph Convolutional Network）是一种在图结构数据上进行卷积操作的神经网络架构。它是深度学习领域中处理图数据的一种重要方法，能够捕获图中节点间的复杂关系和特征。GCN的核心思想是通过邻居节点的信息来更新每个节点的表示（这一点与传统的Graph Embedding算法如DeepWalk、Node2Vec等类似，但GCN不仅可以学习到图的结构更能学习到各个节点的属性来生成顶点向量）。
25行代码实现完整的RSA算法
热门推荐
专栏
02-24 5万+
25行代码实现完整的RSA算法   网络上很多关于RSA算法的原理介绍，但是翻来翻去就是没有一个靠谱的算法实现，即使有代码介绍，也都是直接调用JDK或者Python代码包中的API实现，或者即使有代码也都写得特别烂。无形中让人感觉RSA加密算法竟然这么高深，然后就看不下去了。还有我发现对于“大整数的幂次乘方取模”竟然采用直接计算的幂次的值，再取模，类似于(2 ^ 1024) ^ (2 ^ 102...
25行代码实现完整的RSA算法Java版
专栏
03-29 1万+
25行代码实现完整的RSA算法Java版   我的上一篇博客《25行代码实现完整的RSA算法》自从上个月发表了以后，很多程序员给我打电话或者发短信说，终于看到了一篇能把RSA算法的代码写明白的，他们问我说能不能把代码写成Java版的，我说Java的会看着很费劲，Python代码的直观性在数字计算方面有很大的优势。   但是架不住他们非要我写，我一拍肩膀说，好吧，我答应你们的请求。花了一晚上的时...
25行代码实现完整的RSA算法（Python3.X版本）
专栏
02-13 1万+
25行代码实现完整的RSA算法（Python3.X版本）   python2.7版本的请点击这里25行代码实现完整的RSA算法   网络上很多关于RSA算法的原理介绍，但是翻来翻去就是没有一个靠谱、让人信服的算法代码实现，即使有代码介绍，也都是直接调用JDK或者Python代码包中的API实现，也有可能并没有把核心放在原理的实现上，而是字符串转数字啦、或者数字转字符串啦、或者即使有代码也都写得特别...
蒙哥马利算法求解大整数幂求模
专栏
03-31 8776
蒙哥马利大整数模幂算法   前几天写了一篇博客《25行代码实现完整的RSA算法》，是关于用Python代码实现一个完整的RSA算法的代码，整个代码中最核心、最浪费时间的代码部分就是关于求解大整数模幂算法这里。整个算法也叫“蒙哥马利幂模”算法。   首先简单介绍一下蒙哥马利相关的几个算法，具体详细介绍可以参考《蒙哥马利算法详解》。蒙哥马利算法并不是一个独立的算法，而是三个相互独立又相互联系的算法...
如何1秒内快速判断一个函数的凹凸性？还看不懂我给你赔钱
专栏
03-09 4740
我今天的文章，不贴出具体的函数图像，就来给大家提供一种快速判断图像凹凸性的思路。 当每个同学在学习数据结构与算法的时候，始终有一个幽灵在伴随着每个同学，就是时间复杂度，据说是高纳德发明的东西，这个东西说白了就是当数据量增多一个算法所用的时间的变化的快慢。常见的时间复杂度是：1、logx、x2、x3等等。从这些图像可以看出来，即使一个函数在初始时刻的值较小，那么经过一段时间以后，x^3的一定会后来居上。说明高阶的函数的增加一定很快，如果套用了高中的物理概念，一定是加速度较大。 加速度是什么？物理中是这么写的：
Alpha-Beta剪枝算法(Alpha Beta Pruning)
专栏
05-11 3779
CS 161 Recitation Notes - Minimax with Alpha Beta Pruning CS 161 Recitation Notes - Minimax with Alpha Beta Pruning The minimax algorithm is a way of finding an optimal move in a two player g...
GCN模型详解
03-31
### GCN（图卷积网络）模型的工作原理 #### 工作原理概述 Graph Convolutional Networks (GCNs) 是一种专门设计用于处理图结构数据的深度学习框架。其核心思想是在图结构上执行卷积操作，从而提取节点及其邻居的信息[^1]。通过这种方式，GCN 能够有效地捕捉到图中的局部和全局特性。 具体来说，GCN 的每一层通过对当前节点以及它的邻接节点进行聚合操作来更新节点的特征向量。这种机制使得每经过一层卷积，节点能够感知更大范围的上下文信息。最终，这些多尺度的特征被用来完成分类、回归或其他任务。 #### 数学表达形式 假设输入是一个无向加权图 \( G=(V, E) \)，其中 \( V \) 表示节点集合，\( E \) 表示边集合。定义一个对称邻接矩阵 \( A \in R^{n\times n} \)，并令度矩阵 \( D_{ii}=\sum_jA_{ij} \) 。标准化后的拉普拉斯算子为： \[ L=I-D^{-\frac{1}{2}}AD^{-\frac{1}{2}} \] 对于谱域上的图卷积运算，可以通过傅里叶变换将其转换为空间域的形式。简化版的空间卷积公式如下所示： \[ H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)}) \] 这里， - \( H^{(l)} \) 和 \( H^{(l+1)} \) 分别代表第 l 层和第 l+1 层隐藏状态； - \( \tilde{A}=A+I_N \) ，即原始邻接矩阵加上单位阵以考虑自环； - \( \tilde{D}_{ii}=\sum_j{\tilde{A}_{ij}} \) 为对应的度矩阵； - \( W^{(l)} \) 是可训练参数矩阵； - \( \sigma() \) 是激活函数，通常采用 ReLU 函数。 上述过程展示了如何逐层传播信号并通过非线性映射获取更高级别的抽象表示。 --- ### T-GCN 模型的应用实例 T-GCN 结合了 GCN 和 GRU 来解决时空序列预测问题，在交通流量预测领域表现优异[^2]。它利用 GCN 提取空间维度的相关性，而 GRU 则负责建模时间序列的变化趋势。整个架构分为以下几个部分： 1. **空间编码阶段**：使用 GCN 对路网图进行建模，得到各路段之间相互作用产生的隐含表征。 2. **时间解码阶段**：将第一步的结果送入 GRU 单元进一步加工，挖掘历史观测值背后潜在的时间规律。 实验表明，相比传统统计方法 HA、ARIMA 及单独使用的 GCN 或者 GRU，融合两者优势之后的新方案显著提升了短期至长期范围内多个步长下的精度指标 MSE/MAE/RMSE 等。 以下是简单的伪代码实现片段供参考: ```python import torch.nn as nn class T_GCN(nn.Module): def __init__(self, num_nodes, input_dim, hidden_dim, output_dim): super(T_GCN, self).__init__() self.gcn_layer = nn.Linear(input_dim * num_nodes, hidden_dim) self.gru_cell = nn.GRUCell(hidden_dim, hidden_dim) def forward(self, adj_matrix, node_features, h_t=None): batch_size = node_features.shape[0] spatial_out = torch.relu(torch.matmul(adj_matrix, node_features)) gcn_output = self.gcn_layer(spatial_out.view(batch_size,-1)) if h_t is None: h_t = torch.zeros_like(gcn_output[:, :]) gru_output = self.gru_cell(gcn_output,h_t) return gru_output ``` 此模块仅作为基础构建单元展示逻辑流程，并未完全体现实际部署环境所需细节调整之处。 --- ###
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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