GCN学习（三）：使用numpy从底层一步步搭建GCN网络：网络传播实现

关于GCN的基础原理见图卷积神经网络(GCN)。
GCN的传递公式：
通过本文也顺便记录下一些numpy对矩阵的处理方法方便以后使用：

首先我们需要掌握的就是D波浪A波浪的代码实现方法。（参考这篇文章）

先建立这个图的邻接矩阵：

#建立邻接矩阵
A = np.array(
    [[0, 1, 0, 0],
     [0, 0, 1, 1],
     [0, 1, 0, 0],
     [1, 0, 1, 0]],
    dtype=float
)

对角线矩阵

#建立对角线矩阵
I=np.eye(A.shape[0])
#shape函数可以获得矩阵的规模 A.shape输出为（4,4），A.shape[0]即行输出，A.shape[1]即列输出
A_hat=A+I
>>>[[1. 1. 0. 0.]
 [0. 1. 1. 1.]
 [0. 1. 1. 0.]
 [1. 0. 1. 1.]]

#这里用纯粹的索引作为节点的特征
X = np.array([[i, -i]
               for i in range(A.shape[0])],
              dtype=float
              )
>>>[[ 0.  0.]
 [ 1. -1.]
 [ 2. -2.]
 [ 3. -3.]]

度矩阵

#计算A_hat的度矩阵
#np.sum函数的用法：axis为默认值，输出整个矩阵所有元素的和；
#axis=0，输出整个矩阵每列的和，压缩为一个行，形式为一个array；
#axis=1:，输出整个矩阵每行的和，压缩为一列，形式为一个array
D_hat=np.sum(A_hat, axis=0)
print(D_hat)
>>>[2. 3. 3. 2.]
D_hat=np.diag(D_hat)
print(D_hat)
>>>[[2. 0. 0. 0.]
 [0. 3. 0. 0.]
 [0. 0. 3. 0.]
 [0. 0. 0. 2.]]

#随机建立一个初始化的参数矩阵W，W的列数代表希望得到的每个节点的特征数
W=np.array([[1, -1],
           [1, -1]],
           dtype=float)

逆矩阵＆-1/2次矩阵

#计算D波浪的逆矩阵
D_hat_I=np.linalg.inv(D_hat)
print(D_hat_I)
>>>[[0.5        0.         0.         0.        ]
 [0.         0.33333333 0.         0.        ]
 [0.         0.         0.33333333 0.        ]
 [0.         0.         0.         0.5       ]]
#计算D波浪的-1/2次矩阵
D_hat_I_=D_hat_I**0.5
print(D_hat_I_)
>>>[[0.70710678 0.         0.         0.        ]
 [0.         0.57735027 0.         0.        ]
 [0.         0.         0.57735027 0.        ]
 [0.         0.         0.         0.70710678]]

矩阵乘

#为了写代码简单，把array都转化成matrix类型
D_hat_I_=np.matrix(D_hat_I_)
A_hat=np.matrix(A_hat)
X=np.matrix(X)
W=np.matrix(W)
#实现公式D_hat_I_=np.matrix(D_hat_I_)
A_hat=np.matrix(A_hat)
X=np.matrix(X)
W=np.matrix(W)
H=D_hat_I_*A_hat*D_hat_I_*X*W
print(H)

H=D_hat_I_*A_hat*D_hat_I_*X*W
print(H)
>>>[[ 0.81649658 -0.81649658]
 [ 4.44948974 -4.44948974]
 [ 2.         -2.        ]
 [ 4.63299316 -4.63299316]]

至此即实现了网络的传播。
代码参考https://blog.csdn.net/weixin_42052081/article/details/89108966