《Semi-Supervised Classification with Graph Convolutional Networks》—GCN代码笔记分享

于 2021-05-20 09:34:29 发布
阅读量515 收藏 10
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 研究方向笔记
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。
本文链接：https://blog.youkuaiyun.com/sober0314/article/details/117046128
本文分享了一份关于图卷积网络（GCN）的学习代码笔记，作者通过上学期的学习整理了这些资料并以照片形式进行了分享。

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

太久妹好好学习了···连笔记都懒得分享了，不愧是你，老渔夫了
算了算了，分享一个上学期学GCN的代码笔记吧，直接贴照片了（懒狗Orz）
pdf见链接
换了方向真的好头大555
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》代码详解（Tensorflow版）
LIYUO94的博客
06-11 1657
paper链接 code链接 文件目录结构： 运行要求： ‘numpy>=1.15.4’, ‘tensorflow>=1.15.2,<2.0’, ‘networkx>=2.2’, ‘scipy>=1.1.0’ setuptools==40.6.3 可通过bash运行setup.py 安装运行必要的包版本。 数据集： 载入数据的维度（以Cora数据集为例） adj(邻接矩阵)：由于比较稀疏，邻接矩阵格式是LIL的，并且shape为(2708, 2708) features
GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））
jkokj23153的博客
09-15 2156
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
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。 文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS代码注解
qq_44015059的博客
05-07 1011
论文地址：https://arxiv.org/abs/1609.02907 代码地址：https://gitee.com/lxk_yb/pygcn train.py from __future__ import division from __future__ import print_function import time import argparse # argparse 是pytho...
文章综述——SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
weixin_42358688的博客
11-05 2233
摘要： 提出了一种可扩展的在图结构数据上进行半监督学习的方法，它基于一种直接在图上操作的卷积神经网络的有效变体。我们通过频谱图卷积的局部一阶近似来激励卷积架构的选择。我们的模型以图形边的数量线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在一些引用网络和知识图数据集的实验中，我们证明了我们的方法有显著性作用 正文： 我们考虑了对图(如引用网络)中的节点(如文档)进行分类的问题，其中标签只对一小部分节点可用。这个问题可以被框定为基于图的半监督学习，通过某种形式的显式基...
GCN: Semi-Supervised Classification With Graph Convolutional networks
u011630472的博客
04-11 1456
本论文对新手学习GCN是一个很号的开端.(笔者觉得下面的笔记对于GCN的理解很不错) 论文阅读笔记: https://blog.youkuaiyun.com/qq_41727666/article/details/84640549 github论文链接:SEMI-SUPER CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS GitHub代码链接:Tenso...
semi -supervised classification with graph convolutional networks学习必记
01-07
1 主要解决的问题 半监督学习：用于少量节点标签未知，例如文本、citation network、知识图谱分类 2 主要思想 采用图卷积中的一阶局部近似（即K=1），这部分的理解可以参考Chebyshev多项式作为GCN卷积核 当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征： 3. 半监度节点分类模型 本文模型优缺点 WlW^lWl在各个顶点共享，与顶点个数无关，可以用于大规模数据集，但是这个模型对于同阶的邻域上分配给不同的邻居的权重是完全相同的，这是由于GCN度矩阵的形式
翻译--SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
w986284086的博客
05-10 1万+
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 图卷积神经网络的半监督学习 原文连接: Semi-Supervised Classification with Graph Convolutional Networks 0. 摘要 We present a scalable approach for s...
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS个人理解
yuzhijiedingzhe的博客
12-25 1万+
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 总体介绍： 在该篇论文中，作者提出了一种可扩展式的半监督学习卷积神经网络方法处理基于图结构的数据。论文中作者所提出的方法应用的是关于图结构数据中的聚类问题。通过图结构数据中部分有标签的节点数据对卷积神经网络结构模型训练，使网络模型对其余无标签的数据进行进一步分类，从
【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
夏至是个程序媛
11-29 5万+
本文为论文SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的阅读笔记. 文章目录SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS基于图卷积网络的半监督分类摘要一、INTRODUCTION二、Graph中的快速卷积2.1 谱图卷积第一种卷积...
论文笔记之：Semi-supervised Classification with Graph Convolutional Networks
a1424262219的博客
01-16 898
Semi-supervised Classification with Graph Convolutional Networks 2018-01-16 22:33:36 1. 文章主要思想： 2. 代码实现（Pytorch）：https://github.com/tkipf/pygcn 【Introduction】： 本文尝试用 GCN 进行半监督...
图卷积网络（Graph Convolutional Network）
热门推荐
chensi1995的博客
08-16 7万+
一. 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据： 图上的神经网络，最早由Joan Bruna于2014年在论文Spect...
semi_supervised classification with graph convolutional networks论文阅读报告(1)
u013263329的博客
08-25 8043
来来来，下一篇。 这篇论文的作者写了一篇博客，介绍了这篇文章的来龙去脉：GRAPH CONVOLUTIONAL NETWORKS  论文作者已经写得挺详细了，我为啥还要写这篇博客呢？因为我发现作为一个小白，很多地方是不懂的，所以我想把自己的思路和问题写下来。 另外还有，论文内容与代码的对应问题：我发现有时候论文看的非常皮毛，理论和代码对应不上，所以想把他们的之间的关系描述一下，把我学习的
对于SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解
qq_41563394的博客
02-28 9004
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解笔记总结 文章目录SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解笔记总结前言必备知识： GCN（Graph Convolutional network）对于卷积核gθ​的定义关于...
图卷积网络之Semi-supervised Classification with Graph Convolutional Networks
画心
03-02 4356
Semi-supervised Classification with Graph Convolutional Networks 文章是一片使用谱图卷积的一节近似方法简化一种有效的卷积神经网络的直接应用在图上的变体, 实现对于图结构数据的半监督学习,&amp;nbsp; We motivate the choice of our convolutional architecture via a loc...
GCN - Semi-Supervised Classification with Graph Convolutional Networks 用图卷积进行半监督节点分类 ICLR 2017
知行合一，止于至善
08-07 1万+
文章目录Abstract1.Intruduction2.Fast Approximate Convolutions on Graphs（图的快速近似卷积）2.1 SpectralGraph Convolutins（谱图卷积）补充证明2.2 Layer-wise Linear Model（逐层线性模型）3. Semi-supervised Node Classfication（半监督节点分类）3.1...
Semi-Supervised Classification with Graph Convolutional Networks
Peter的脱发日记
05-24 4427
Semi-Supervised Classification with Graph Convolutional Networks 原问地址 时间：2017 Intro 要解决的问题：图上的结点分类，其中只有小部分结点有label。 这是一个基于图的半监督学习，可以通过在损失函数中额外加一项graph-based regularization来解决： 其中L0\mathcal{L}_0L0​表示l...
论文笔记：Semi-Supervised Classification with Graph Convolutional Networks
hongbin_xu的博客
04-29 1万+
Semi-Supervised Classification with Graph Convolutional Networks 1、四个问题 要解决什么问题？ 半监督任务。给定一个图，其中一部节点已知标签，剩下的未知，要对整个图上的节点进行分类。 用了什么方法解决？ 提出了一种卷积神经网络的变种，即提出了一种新的图卷积方法。 使用谱图卷积（spectral graph convolut...
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 代码
07-27
很抱歉，根据提供的引用内容，我无法提供关于"SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS"代码的信息。引用的内容主要介绍了图上结点分类的半监督问题以及相关的研究方法和改进。如果您需要...
评论 2
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