GNN
黑码
这个作者很懒,什么都没留下…
展开
-
GraphSAGE算法 和 代码解析
聚合邻居GraphSAGE研究了聚合邻居操作所需的性质,并且提出了几种新的聚合操作(aggregator),需满足如下条件:(1)聚合操作必须要对聚合节点的数量做到自适应。不管节点的邻居数量怎么变化,进行聚合操作后输出的维度必须是一致的,一般是一个统一长度的向量。(2)聚合操作对聚合节点具有排列不变性。对于我们熟知的2D图像数据与1D序列数据,前者包含着空间顺序,后者则包含着时序顺序,但图数据本身是一种无序的数据结构,对于聚合操作而言,这就要求不管邻居节点的排列顺序如何,输出的结果总是一样的。比如Ag原创 2020-09-02 11:21:04 · 2995 阅读 · 1 评论 -
GCN实战(代码分析)深入浅出图神经网络第五章(GCN和CNN区别)
import itertoolsimport osimport os.path as ospimport pickleimport urllibfrom collections import namedtupleimport numpy as npimport scipy.sparse as spimport torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.nn.init as init..原创 2020-07-29 01:00:49 · 2642 阅读 · 7 评论 -
笔记:关于GCN的学习理解(白话)
GCN就是把时域上的图,用拉普拉斯矩阵,或者别的矩阵进行频域上的表示,再在频域上进行卷积.Q1:为什么要用时域转频域,因为时域不好表示各个点和相邻的点的邻接关系,因为不同的邻接关系需要不同的权值才能进行卷积神经网络,但基于图的谱分解可以表示.Q2:如何在频域上进行卷积?变为频域上的运算就可以更好结合图的特征,运算的话就用频域上的傅里叶函数变换.这样就可以在频域上算好卷积.卷积定理:函数卷积的傅里叶变换是函数傅立叶变换的乘积,即对于函数 f(t)与 h(t)两者的卷积是其函数傅立叶变换...原创 2020-07-22 09:42:24 · 777 阅读 · 0 评论