GCN学习（四）：使用numpy从底层一步步搭建GCN网络：Zachary数据集随机参数无训练实战

Zachary 空手道俱乐部是一个被广泛使用的社交网络，其中的节点代表空手道俱乐部的成员，边代表成员之间的相互关系。当年，Zachary 在研究空手道俱乐部的时候，管理员和教员发生了冲突，导致俱乐部一分为二。下图显示了该网络的图表征，其中的节点标注是根据节点属于俱乐部的哪个部分而得到的，「0」表示属于Mr. Hi部分的中心节点，[32」表示属于Officer阵营的中心节点

通过networkx调用karate club图

import networkx as nx
import numpy as np
#通过nx.to_numpy_array将图节点按照顺序转化成numpy的数组
zkc=nx.karate_club_graph()
order=list(zkc.nodes())
A=nx.to_numpy_array(zkc.nodes(),nodelist=order)

计算GCN的各项变量

具体算法原理见上一篇博客

#具体算法原理见上一篇博客
I=np.eye(A.shape[0])
A_hat=A+I
print('A_hat:',A_hat)
D_hat=np.sum(A_hat,axis=0)
D_hat=np.diag(D_hat)
print('D_hat:',D_hat)
D_hat_I=np.linalg.inv(D_hat)
D_hat_I_=D_hat_I**0.5
D_hat_I_=np.matrix(D_hat_I_)
A_hat=np.matrix(A_hat)
print('D_hat_I:',D_hat_I)
print('D_hat_I_:',D_hat_I_)
>>>A: [[0. 1. 1. ... 1. 0. 0.]
 [1. 0. 1. ... 0. 0. 0.]
 [1. 1. 0. ... 0. 1. 0.]
 ...
 [1. 0. 0. ... 0. 1. 1.]
 [0. 0. 1. ... 1. 0. 1.]
 [0. 0. 0. ... 1. 1. 0.]]
A_hat: [[1. 1. 1. ... 1. 0. 0.]
 [1. 1. 1. ... 0. 0. 0.]
 [1. 1. 1. ... 0. 1. 0.]
 ...
 [1. 0. 0. ... 1. 1. 1.]
 [0. 0. 1. ... 1. 1. 1.]
 [0. 0. 0. ... 1. 1. 1.]]
D_hat: [[17.  0.  0. ...