B.图算法：图学习之图神经网络GNN模型GCN、GAT[系列六]

已于 2023-04-07 18:23:35 修改
阅读量1.3k 收藏 4
点赞数
分类专栏： 图学习图神经网络算法原理+项目+代码实现+比赛 文章标签： 神经网络 人工智能 深度学习 图神经网络 图算法
于 2022-11-18 10:10:27 首次发布
涉及博主原创类文章，未经博主许可不允许转载
本文链接：https://blog.youkuaiyun.com/sinat_39620217/article/details/127916765
版权
本文深入探讨图神经网络GNN，包括GCN和GAT模型。GCN通过图卷积提取节点特征，GAT引入注意力机制以适应不同节点间的关系。文章介绍了模型原理、计算公式、数据集以及实现方法，提供了基于PGL的实践示例，展示了在Cora、PubMed和CiteSeer数据集上的应用效果。

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

在这里插入图片描述
图学习图神经网络算法专栏简介：主要实现图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶 GNN 模型（UniMP标签传播、ERNIESage）模型算法等，完成项目实战

在这里插入图片描述
专栏链接：图学习图神经网络算法专栏简介：含图算法（图游走模型、图神经网络算法等）原理+项目+代码实现+比赛

前人栽树后人乘凉，本专栏提供资料：快速掌握图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶 GNN 模型（UniMP标签传播、ERNIESageÿ

了解本专栏 订阅专栏 解锁全文
GCN基础模型概述与实现（Python）
HackDyno的博客
09-11 878
本文将详细介绍GCN的基本模型概述、图卷积的基本计算方法、邻接矩阵的变换以及GCN的变换原理，并提供相应的Python代码实现。以上就是GCN基本模型概述、图卷积的基本计算方法、邻接矩阵的变换以及GCN的变换原理的详细介绍，并提供了相应的Python代码实现。GCN的变换原理是通过多层图卷积层进行信息传播和特征学习。每一层的图卷积操作会利用节点的邻居信息进行特征的聚合和更新，同时考虑自身节点的特征。GCN的基本模型由多层图卷积层组成，每一层的输出作为下一层的输入，最后一层输出的节点特征可以用于节点分类。
B.图算法：图神经网络图学习之基于GNN模型新冠疫苗任务[系列九]
丨汀、的博客
11-28 718
本项目讲了论文节点分类任务和新冠疫苗任务，并在论文节点分类任务中对代码进行详细讲解。PGL八九系列的项目耦合性比较大，也花了挺久时间研究希望对大家有帮助。 后续将做一次大的总结偏向业务侧该如何落地以及图算法的归纳，之后会进行不定期更新图相关的算法！
GNN 系列：图神经网络的“开山之作”GCN模型
Datawhale
08-04 2971
c点击上方“Datawhale”，选择“星标”公众号 第一时间获取价值内容 【导读】这是我们介绍图神经网络的第一篇文章，取自Kipf et al. 2017，文章中提出的模型叫Graph Convolutional Network(GCN)，个人认为可以看作是图神经网络的“开山之作”，因为GCN利用了近似的技巧推导出了一个简单而高效的模型，使得图像处理中的卷积操作能够简单得被用到图结构数据...
PGL 图神经网络中实现图的可视化
znsoft的专栏
02-14 565
import dgl import networkx as nx import matplotlib.pyplot as plt nx.draw(g.cpu().to_networkx(), with_labels=True) #　将图转为networks 结构 , 用Matplotlib绘制图形g plt.show() plt.savefig("./test.jpg") ＃保存到服务器上，打开看。远程时比较有用。如果是本地运行，请注释掉本句。 ...
新加坡见！快手11篇论文入选人工智能领域顶会ICLR 2025
最新发布
kuaishoutech的博客
04-24 1173
快手11篇论文入选人工智能领域顶会ICLR 2025
图卷积神经网络模型----GCN
s_nan的博客
08-30 2356
一、傅里叶变换与拉普拉斯变换 傅里叶变换是一种线性的积分变换，这种变换是从时间转换为频率的变换或其相互转换。（原因：我们将信号分解为频域里各种不同频率的信号，又由于频域分析具有很多时域所不具有的特点，故可以比较方便的对原信号进行分析。） 参考：https://zhuanlan.zhihu.com/p/41455378 时域中的信号，我们可以构造一个三角函数之和： 其中傅里叶级数如下图所示： 其中=又称为...
GCN（二）GCN模型介绍
vincent_duan的专栏
09-02 7481
上一节介绍了处理cora数据集，以及返回的结果： features：论文的属性特征，维度2708×14332708 \times 14332708×1433，并且做了归一化，即每一篇论文属性值的和为1. labels：每一篇论文对应的分类编号：0-6 adj：邻接矩阵，维度2708×27082708 \times 27082708×2708 idx_train：0-139 idx_val：200-499 idx_test：500-1499 这一节介绍GCN的模型。 GCN 模型 model: impor
B.图算法：图学习之图神经网络GraphSAGE、GIN图采样算法[系列七]
丨汀、的博客
11-19 1170
本项目主要讲解了GraphSage、PinSage、GIN算法的原理和实践，并在多个数据集上进行仿真实验，基于PGl实现原论文复现和对比，也从多个角度探讨当前算法的异同以及在工业落地的技巧等。
B.图算法：图学习之图神经网络ERNIESage、UniMP进阶模型[系列八]
丨汀、的博客
11-25 961
如何进一步推进图学习的研究呢？从历史上看，高质量和大规模的数据集在推进研究中发挥了重要的作用，例如计算机视觉领域的IMAGENET、MS COCO，自然语言处理领域的GLUE BENCHMARK、SQUAD，语言处理领域的LIBRISPEECH、CHIME等。但是，当前在图学习研究中常用的数据集和评估程序可能会对未来的发展产生负面影响。与实际应用中的图相比，大多数常用数据集都非常小。例如广泛使用的Cora、Citeseer、Pubmed数据集，在节点分类任务中只用2700至20000个节点。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 11万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图网络模型 GCN-＞GAT
weixin_36378508的博客
03-20 1956
ZGCN0)W1【两层的GCN Layer】
传统模型用腻了？GCN图卷积神经网络一键实现西储大学轴承故障诊断！发文新思路！
QSJIQIXUEXI的博客
04-04 1750
然后，对最佳IMF分量的9个指标进行计算，分别是：均值，方差，峰值，峭度，有效值，峰值因子，脉冲因子，波形因子，裕度因子（对应特征1-9），类别即故障类型，都已经整理好放在了Excel里，如下图所示！取官方下载的驱动端（DE）振动数据，分别为97.mat、107.mat、120.mat、132.mat、171.mat、187.mat、199.mat、211.mat、224.mat、236.mat，即转速为1750时的10种故障诊断类型（包括正常情况），并将所有的数据和类别综合到一个变量中。
【爆火的图神经网络模型】GCN/GraphSAGE/GAT
qq_42397330的博客
04-04 2065
Graph Network 1. GCN 节点特征的更新公式： H(l+1)=σ(D~−12A~D~−12H(l)W(l)) H^{(l+1)}=\sigma\left(\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)}\right) H(l+1)=σ(D~−21​A~D~−21​H(l)W(l)) 其中 D~\tilde{D}D~相当于加上了自环后的度矩阵，A~\tilde{A}A~相当于加上了自环后的
❤ 一张图看懂神经网络的符号参数（+向量化的注意事项）
猪猪的博客
08-17 2852
图卷积神经网络（GCN）的节点分类模型
wishofAI的博客
06-24 1075
图卷积神经网络的节点分类模型代码
图神经网络综述和学习路径
x1998fly的博客
01-15 1123
图神经网络综述
神经网络的参数
wzw12315的专栏
03-27 1141
我们知道，在Keras编程中，通过 model.summary() 可以打印出网络的结构，包括层类型，输出层大小，参数。如下图所示： 由上图可以知道， （1）pooling层是没有参数， （2）设卷积核大小为K，输入通道数为C，卷积核的个数为N， conv2d_1卷积层的参数：K*K*C*N+N，代入数据得 3*3*3*64+64=1792 传统卷积层的工作流程是：卷积...
解读：基于GCN的股票预测模型
敲代码的quant的博客
04-24 1858
前言：自ICLR2017首次提出图卷积神经网络（GCN）的概念，该模型在节点分类、边预测等任务上表现出了出色的性能。在传统因子选股模型中，常常将股票视为独立的个体，但事实上股票之间存在错综复杂的关系，使用GCN能将股票间的关系作为增量信息纳入预测模型，具有一定的提升价值和启发意义。对于股票间关系的影响，学者进行了众多研究，在之前的文章中提及的REST模型就对于股票关系图进行了建模，取得模型性能的提...
图神经网络必读的​5个基础模型: GCN, GAT, GraphSAGE, GAE, DiffPool.
数据派THU
05-06 7259
来源：机器学习算法那些事 极市平台https://zhuanlan.zhihu.com/p/136521625本文约6000字，建议阅读10分钟本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。“近年来，深度学习领域关于图神经网络（Graph Neural Networks，...
深入学习图卷积GCN模型：人工智能与图神经网络
总结来说，本压缩包“图卷积GCN模型学习（CSND追光者整理搜集）.zip”提供了关于图卷积神经网络（GCN）的深入学习资源，涵盖了GCN的基础理论、关键技术和实现优化，以及与其它图神经网络模型的对比等丰富知识点。...
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

打赏作者

汀、人工智能

十分感谢您的支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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