【图神经网络】卷积神经网络

  • 引言
    • 本文是学习刘忠雨老师所著的《深入浅出图神经网络》过程中的笔记和记录整理,最后会有参考文献标注对应章节和内容中可能出现的参考文献、博文出处。

卷积神经网络

  • 卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络

卷积和池化

卷积

  • 单通道卷积的过程便是通过一个滑动窗口选定一个区域,与相同大小的卷积核进行内积,将结果拼接起来的一个过程。卷积得到的输出就是所谓的特征图。
  • 由于边界无法被卷积,会导致边缘对输出的影响减小,丢失边缘信息。解决的方法:padding,通常对边缘使用0进行填充。
  • 多通道卷积类似单通道卷积

池化

  • 目的:降维,减少计算量,并在训练初期提供一些平移不变性
  • 池化:使用一个固定大小的滑窗在输入上滑动,每次将滑窗内的元素聚合为一个值作为输出。根据聚合方式的不同,分为平均池化(取平均值)和最大值池化(取最大值)。

卷积神经网络的结构

  • 以AlexNet为例,详细介绍可以见
    https://blog.csdn.net/weixin_39873397/article/details/84568723
  • 卷积神经网络的结构一般可以分成以下2个部分:
    • 卷积层和池化层交替堆叠成的骨干网络,主要用于从输入中提取特征
    • 全连接层,将卷积得到的特征图战平,主要是为了聚合全局信息并映射到输出空间。

卷积神经网络的特点

  • 局部连接
  • 权值共享
  • 层次化表达

特殊的卷积形式

1*1卷积

  • 作用:
    • 用于信息聚合,同时增加非线性。在卷积之后可以使用非线性激活,可以一定程度地增加模型的表达能力。
    • 用于通道数的变化。

转置卷积

  • 作用:
    • 增加长宽的维度,将编码的地位特征逐步映射回像素空间。

空洞卷积

  • 通过在卷积核元素之间插入空格来扩大卷积核
  • 作用:
    • 在不增加参数量的前提下,快速扩大感知野

分组卷积

  • 将特征图分组处理后,将结果融合

深度可分离卷积

  • 沿着深度的逐层卷积+1*1卷积
  • 作用:
    • 相对于标准卷积,减少了参数量、计算量,提高了运算效率。
    • 常用于对速度有要求的卷积结构设计中。

参考文献

  1. 刘忠雨,李彦霖,周洋. 深入浅出图神经网络:GNN原理解析[M]. 北京:机械工业出版社,2020:39-63
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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