图卷积网络-第二课（图神经网络概论）

图卷积网络GCN是一种可以直接作用于图结构的卷积神经网络，他可以很好的利用相关的结构信息。

图卷积可以很好的解决节点分类问题（如文档分类）。

卷积神经网络与图卷积神经网络的对比。

卷积神经网络的感受野跟卷积核相关，一般是3×3或者5×5。而图卷积神经网络的感受野为当前节点的一阶邻域。

图卷积神经网络的数学表达

可以看出，跟普通卷积神经网络类似。都是一个卷积线性操作加一个非线性激活函数。只是参与卷积的是权重与结构信息和特征信息。

卷积网络与图卷积网络的感受野

卷积网络跟卷积核有关，图卷积网络的感受野就是当前节点的一阶邻域。

卷积网络与图卷积网络的应用

卷积网络常用语图像分类和语义分割。图卷积网络用于图的分类和节点的分类。

图卷积网络的基础思想

图卷积网络的基础思想是，将当前节点与一阶邻域节点的信息进行一个融合（这里看算法），融合后的结果送入卷积网络参与运算。

图卷积神经网络中层的概念

图卷积网络中，每一层的概念是对当前节点一阶邻域的处理。

图的表示：

图的保存方式为邻接矩阵。有向图和无向图的表示略有不同，无向图是个对称阵。

另一个重要的矩阵：度矩阵

度矩阵用于保存图中每个节点的度，是个对角阵。需要注意的是，无向图中一个节点指向自身，产生的度按2来计算。

图神经网络的预处理：

拿到一个图结构数据，首先需要生成邻接矩阵（N×N），度矩阵（N×N），及特征矩阵（N×k）。

第二步是对邻接矩阵进行升级，给邻接矩阵加一个乘以系数的单位阵。

因为原始的邻接矩阵对角线上均为0，乘以特征矩阵后每个节点自身的特征就消失了，所以要提前加一个单位阵。这个系数为超参，越大说明当前节点自身的特征越重要。

第三步对度矩阵D进行改造

通过新的邻接矩阵计算出对应的度矩阵，再计算出度矩阵的逆矩阵（因为度矩阵都是大于1的，参与运算后越乘值越大，所以要取逆）。

第四步对影响因子进行重新缩放。

将新的邻接矩阵左右各乘以邻接矩阵的逆矩阵，缩放的同时，也有稀疏的作用。

看一下几个矩阵相乘的细节。

此处有点信息论的赶紧，度越小的节点影响力越大，度越大的节影响力越小。度越大说明连接的节点多，该节点没啥特色。

因为D的逆矩阵左右各乘了一次，为了保持平衡，改为乘以D的-1/2矩阵，但是大小关系等没什么变化，

这里做了总结，当前节点与一阶邻域节点之间的关系是怎么提出来的。

这个是图卷积网络的数学模型

可看出，跟卷积神经网络的数学模型很类似，最后是一个softmax，索命最后的结果是个分布。

图卷积神经网络的损失函数

用的是交叉熵损失函数，测量的是所有节点分类的误差和。

层对图卷积神经网络的影响。

每添加一层，索命当前节点的影响力拓展了一阶邻域。但并不是层数越深越好，随着层数的增加，准确率会突然下降。

GNN的基准化

GNN的基准化是提出一个衡量标准，用于衡量各GNN的性能。保证各模型在相同的条件下进行性能对比，提升模型性能的置信度。

超像素

超像素是指将图中距离相近，意义相同像素合并，成为超像素。可用在基于语义的压缩表征等方面。通过超像素与图的概念，也可完成图像的分类。