《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》阅读笔记

工程地址

课前甜点——使用Jupyter Notebook运行工程中的usage.ipynb

Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。

Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码，数学方程，可视化和 markdown。 用途包括：数据清理和转换，数值模拟，统计建模，机器学习等等

首先安装一下Jupyter Notebook

pip install jupyter notebook

在pycharm打开工程，配置环境

run

Run Jupyter Notebook

控制台上会有一个链接，在浏览器中打开

1：导入自定义文件夹中的函数

源代码中无法import lib下的内容，所以改了一下

import sys
sys.path.append(r'/home/chen/Documents/cnn_graph-master/lib')

import utils
import coarsening
import graph
import models
from lib import models, graph, coarsening, utils
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

2：图的定义和问题定义

n个样本组成了图中的点，每个样本用一个dx向量表示，每个样本xi还有一个标签yi，每个标签可以是离散的label（分类）或者一个dy的向量（回归）表示。点与点之间的权重用一个邻接矩阵A（n*n）表示。这样就可以把一个样本的分类回归问题，理解为图信号分类回归问题。

 

问题分两种：点的回归分类与图的回归分类。点的回归分类问题：给定矩阵A和n个图信号x，预测图信号y。第二个问题是寻找分类或回归A

3：usage代码解读

from lib import models, graph, coarsening, utils
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

3.1：数据生成

d = 100    # Dimensionality.
n = 10000  # Number of samples.
c = 5      # Number of feature communities.

# Data matrix, structured in communities (feature-wise).
X = np.random.normal(0, 1, (n, d)).astype(np.float32)#生成n*d个（0，1）正态分布的数据,排列成n行d列
X += np.linspace(0, 1, c).repeat(d // c)#生成d个数据，分成c组，组内相同，组间递加。X中每个样本（每行）加上生成的数据

# Noisy non-linear target.
w = np.random.normal(0, .02, d)
t = X.dot(w) + np.random.normal(0, .001, n)#样本各个维度的权重和偏差
t = np.tanh(t)#激活函数
plt.figure(figsize=(15, 5))
plt.plot(t, '.')

# Classification.
y = np.ones(t.shape, dtype=np.uint