图神经网络GNN/GCN

最新推荐文章于 2024-06-15 16:24:22 发布
最新推荐文章于 2024-06-15 16:24:22 发布
阅读量209 收藏 3
点赞数 3
分类专栏： 【星】机器学习与数据挖掘 文章标签： 神经网络 人工智能 深度学习
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.csdn.net/L200378098/article/details/138859656
版权

基本概念

图的基本组成：点、边、图

核心：整合特征，去整合点、边、图的特征，最终进行回归或分类预测。

图的邻接矩阵：描述了每个点的邻居有哪些，有无关系用0、1表示，邻接矩阵是对称的。

实际情况下不是N*N的，大多数是2*N（source，target）

GNN主要任务：

why-图像和文本任务不用GNN？-因为图像和文本的数据格式都是固定的，传统的神经网络输入格式必须是固定的。

图神经网络：针对格式不固定的内容进行处理，比如分子结构、人际关系等。

图级别：基于图进行预测

点和边级别：

特征整合：

点特征的更新，不仅需要考虑自己，还需要考虑邻居

多次GNN的作用：

  • GNN的本质是更新各部分的特征
  • 输入是特征，输出是特征，邻接矩阵不改变

输出特征的作用：

  • 各点的特征组合，可以对图进行分类
  • 各边的特征组合，可以对图进行分类
  • 各节点也可以分类

图卷积和卷积的差异：

  • 用在GNN当中
  • 输入给GCN的东西：每个点的特征、邻接矩阵
  • GCN是半监督学习，不需要全部标签

图卷积的基本思想：

No.星星
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
适用于图神经网络GNN/GCN/GAT的cora数据集预处理代码
qq_38001450的博客
08-12 3320
适用于图神经网络GNN/GCN/GAT的cora数据集预处理代码cora数据集预处理cora数据集介绍预处理代码 cora数据集预处理 cora数据集介绍 Cora数据集由机器学习论文组成，是近年来图深度学习常使用的数据集。在数据集中，论文分为以下七类之一: 基于案例 遗传算法 神经网络 概率方法 强化学习 规则学习 理论 Cora数据集包含2708篇论文，开源的数据集下载后包含两个文件：.content和.cites .content文件包含以下格式的论文描述: <paper_id> &l
图神经网络 GNN、GCN经典数据集包 Cora数据集
10-20
图神经网络 GNN、GCN经典数据集包 Cora数据集
什么是图神经网络？GNN/GCN快速入门教程
m0_74693860的博客
11-10 2580
很多书把图神经网络和卷积神经网络（CNN)，循环神经网络（RNN）并列。相对于CNN和RNN而言，GNN的发展比较短但是在很多领域都有很好的应用。因为图数据有复杂的结构，多样化的属性类型，可以模拟多种任务场景，比如社交网络，调控网络，生物分子结构等。
图神经网络GNN/GCN自学笔记&基础代码实现
tranquil666的博客
12-09 601
跟数据结构里面的图基本一样的，没有别的，就是三大特征：V Vertex（or node）arrtibutes：点 ，比如一个人的身高体重这样的特征E Edge(or link)arrtibutes and directions: 边，比如你正在读小白我的博客，我们的边就是朋友啦hhU Global(or master node)arrtibutes：图， 比如一个学校可以做成图，包含了同学，老师，教学楼本身的属性特征，和他们之间的关系特征总之，；
零基础多图详解图神经网络（GNN/GCN）【论文精读】
qq_42014059的博客
03-30 4356
视频链接：零基础多图详解图神经网络（GNN/GCN）【论文精读】 - 哔哩哔哩 (bilibili.com) 博客链接：A Gentle Introduction to Graph Neural Networks (distill.pub) 1前言 选文原因： 1、图片数据结构、相对于文本序列更复杂 上一次关注图还是十几年前，社交网络，计算难，转而关注别的地方。 图神经网络 popular，同学用 ML ...
图卷积神经网络GCN与图神经网络GNN
zhu_xian_gang的博客
10-23 5499
GCN既可以进行直推式学习也可以进行归纳式学习，而传统的比如基于随机游走的方法、基于矩阵分解的方法、标签传播的只能进行直推式，但是直推式的缺点显而易见，直推式无法泛化到新结点，需要重新采样随机游走序列，优化更新所有节点的嵌入向量。然而归纳式学习可以泛化到新节点，也可进行迁移式学习，如GAT、GIN等图神经网络方法（通过计算图的范式，得到结构上的相似，比如，地理上的远隔）。
PGL图学习之图神经网络GNN模型GCN、GAT
jh035512的博客
11-21 935
假如我们希望做节点相关的任务，就可以通过 Graph Encoder，在图上学习到节点特征，再利用学习到的节点特征做一些相关的任务，比如节点分类、关系预测等等；而同时，我们也可以在得到的节点特征的基础上，做 Graph Pooling 的操作，比如加权求和、取平均等等操作，从而得到整张图的特征，再利用得到的图特征做图相关的任务，比如图匹配、图分类等。图游走类算法主要的目的是在训练得到节点 embedding 之后，再利用其做下游任务，也就是说区分为了两个阶段。
GNN学习笔记
yusude123456的博客
08-19 300
b站图神经网络学习
【入门】图卷积GNN/GCN
py今天刷题了吗
03-01 102
对应的distill博客: https://distill.pub/，制作精良！了解 pooling关键操作，称为消息传递。
对新手来说，图神经网络入门容易吗？GNN/GCN入门
m0_74693860的博客
11-08 556
如果觉得难，那有可能是因为你没有找到一个正确的方法及正确的学习路线。就像刚开始深度学习流行的那时候一样，CNN在大家眼中都是个很新颖的东西，觉得他既难搞又神秘，那你看到现在，谁还会觉得觉得CNN很难了，框架一堆都是现成的轮子，三两行代码搭一个cnn，教程遍地都是。有很多同学觉得难不好入门，是因为你还不了解它，你认真的去读它几篇文章，不用最新的，就从最基础的开始，认真读个三四篇，并着手把一些基础的模型，例如最初的GCN，GAT动手写一写。
GNN，GCN，图神经网络深度讲解100页ppt 包括基础的GNN和其多个变体
12-19
PART TWO/什么是图神经网络（包括图的基本知识，及基本GNN的操作） PART THREE/图神经网络的变体（图神经网络的3个变体，图卷积神经网络（又可分为基于空间域的图卷积神经网络和基于频域的图卷积神经网络），基于...
神经网络GNN-note-master
06-14
**内容概要**：该项目为 GNN_note-master，包含关于图神经网络（GNN）的详细笔记和教程，涵盖了图神经网络的基础概念、核心算法、应用实例及其在各种任务中的实现。项目包括理论学习笔记、代码实现示例以及常见问题...
图神经网络（GNN）的一些论文介绍
02-26
图神经网络论文的介绍，包括多种Graph Embedding、GCN、序列方式的处理。
图神经网络实战视频课程
08-29
图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。 课程目录： 第1章 图神经网络...
【分形技术在神经网络建模中的应用】
最新发布
m0_46168848的博客
06-15 105
分形技术是一种数学和算法工具，用于研究自然界中复杂的形态和过程。分形技术的核心概念是自相似性和非线性，这使得分形技术能够描述很多自然现象，如云彩、山脉、植物、海岸线等。在分形技术中，一个图形可以通过不断缩小自身并保留自身的某些特征，直到图形变成点为止，这个点就是分形维度。
神经网络-卷积神经网络案例详解
爱学习_萌萌哒
06-11 807
卷积神经网络案例详解
神经网络-文本-图像-音频-视频基础知识
爱学习_萌萌哒
06-11 905
文本、图像、音频和视频是数字媒体中的四种基本类型，它们各有不同的组成、单位和基础知识。
从GAN到WGAN（02/2）
gongdiwudu的专栏
06-14 792
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
图神经网络GNN代码
09-08
当然可以！以下是一个简单的示例代码，展示了如何使用PyTorch Geometric库实现一个图神经网络（Graph Neural Network，GNN）模型： ```python import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.datasets import Planetoid from torch_geometric.nn import GCNConv # 加载数据集 dataset = Planetoid(root='data/Cora', name='Cora') data = dataset[0] class GNNModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GNNModel, self).__init__() self.conv1 = GCNConv(input_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, output_dim) def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # 配置模型和优化器 input_dim = dataset.num_features hidden_dim = 16 output_dim = dataset.num_classes model = GNNModel(input_dim, hidden_dim, output_dim) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) # 训练模型 model.train() for epoch in range(200): optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() # 测试模型 model.eval() _, pred = model(data.x, data.edge_index).max(dim=1) correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item()) acc = correct / int(data.test_mask.sum()) print(f'Test Accuracy: {acc:.4f}') ``` 上述代码使用了PyTorch Geometric库来加载Cora数据集，并根据GCN（Graph Convolutional Network）模型的架构实现了GNN模型。模型的前向传播通过两个GCNConv层实现，使用ReLU作为激活函数，并使用log_softmax输出。然后使用Adam优化器进行训练，并使用负对数似然损失进行监督学习。最后，将模型切换到评估模式，计算测试集上的准确率。 请注意，这只是一个简单的示例，实际应用中可能需要根据需求进行调整和优化。你可以根据自己的数据集和任务来修改和扩展这个代码。希望对你有帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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