![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图神经网络教程
文章平均质量分 94
一个用户aaa
这个作者很懒,什么都没留下…
展开
-
图神经网络教程3——循环图神经网络-2
例如,图1 (b)说明了图如何表示手部单幅图像中的骨骼结构,然而,如果我们要为移动手部的连续视频的每一帧创建这样的图,我们将有一个数据结构,可以解释为单个图的序列,或具有顺序特征的单个图,这些数据可以用于对视频中的手部动作进行分类。,这对于深度学习场景来说并不理想,在这种场景中,低级特征(在网络的早期)之间的关系与高级特征(在网络的后期)之间的关系是不同的。正如预期的那样,连续的过渡函数导致计算出更有判别力的特征,从而导致图的最终表示更有判别力(类似于CNN中更多的卷积层)。的形式化定义来缓解这些问题。原创 2024-08-20 15:32:12 · 833 阅读 · 0 评论 -
图神经网络教程2——循环图神经网络-1
循环图神经网络(Recurrent Graph Neural Network,RGNN)。在标准神经网络中,连续的学习权重层用于从输入张量中逐步提取更高级别的特征。在用于计算机视觉的神经网络中,低级特征(如短直线和曲线)的存在是由较早的层识别的,而高级特征(如复合形状)的存在是由较晚的层识别的。在被这些顺序层处理之后,所产生的高级特征可以提供给softmax层或单个神经元,以进行分类、回归或一些其他的下游任务(downstream task)。原创 2024-08-19 21:05:37 · 700 阅读 · 0 评论 -
图神经网络教程1-综述
当代人工智能(AI),或更具体地说,深度学习(DL)近年来被神经网络(NN)所主导。NN变体被设计用于提高某些问题领域的性能;卷积神经网络(CNN)在基于图像的任务中表现突出,而循环神经网络(RNN)在自然语言处理(NLP)和时间序列分析领域表现突出。在更复杂的深度学习框架中,神经网络也被用作构建模块——例如,它们在生成对抗网络(GANs)中被用作可训练的生成器和鉴别器,以及在Transformer网络中作为组件。原创 2024-08-20 18:16:04 · 804 阅读 · 0 评论