qq_41764621的博客

他是一个layerwise的采样方式，他这么做的好处。【公式自己推一遍，人家的官方实现也看一看】

我把我需要的链接都先放这一会整理：（1）tilde（~符号的含义和用法）：（2）

卷积的参数共享就体现在对于黄色荧光区域 和蓝色荧光区域 ，对于中心点 a 和 点 b ，他们获取周围8个邻居的内容所乘以的参数值都是相同的，进一步与理解就是：对于卷积运算，我们认为，无论是8*8图片的哪一点，它的同一方向的邻居对这个中心点有着相同的影响力：即，x对a的影响力与y对b的影响力相同，都等于参数a11。层次化：先定义了一个个卷积核，在图像上扫过去，得到一个稍高level(高于像素的一个稍高的level)，将这个得到的内容作为第二层的feature map。

一直以来我都觉得表示学习很有意思，然后这本书简要的介绍了一下，之后会配合：进一步补充一些有意思的内容机器学习算法的性能严重依赖与数据特征的提取能力，或是说 提取到的特征质量的好坏。因此，早起针对 "如何将人们的先验知识（即，数据中哪些因素更有意义）转换为可以被机器学习算法所使用的特征"，专门有一个研究方向 called "特征工程"如果有一类方法可以自动地从数据中去学习到“高质量的特征”，并且可以直接应用于后续的具体任务，这种方法统称为 表示学习。

傅里叶变换是将时域中的数据转换到频域中的一种方法。傅里叶变换 可以将任意一个函数 分解为一系列不同频率的 正弦波(三角函数)的叠加傅里叶变化的意义：可以直观的理解为：由于傅里叶变换可以将函数分解为多个正弦波，每种正弦波代表着一种维度，那么假设f(x)可以分解为3种正弦波分别以a1, a2, a3 三种频率叠加，那么，此时，我们就可以将 这三种频率 视为 观察这个函数f(x)的三种维度，三种视角。在这三种视角里，f(x)呈现的情况就对应着三个正弦波的频率值a1, a2, a3。

各向同性的GNN大多依赖于相邻特征的简单总和：更新节点A的特征需要同时考虑节点A的特征和节点A邻居的特征，并且，节点A的各个邻居的特征的权重不会有所不同。各向异性的GNN采用复杂的机制（GAT的稀疏关注机制，GatedGCN的边缘门）各向异性GNN：GAT、GraphSAGE、MoNet 和 GatedGCN。各向同性GNN：GCN、GIN。

PageRank算法是一个迭代求解的用于解决 ： 网页排名（根据网页的重要性进行排序）、社会影响力分析、文本摘要等问题上PageRank算法在1996年由Page和Brin提出PageRank适用于解决用有向图表示的图数据PageRank算法是在图上执行一个随机游走模型，根据随机游走者在有向图上对节点的访问情况的多少来判断有向图上各个节点的重要程度既然最初的PageRank算法是用于对网页重要程度进行排名的算法，那么接下来，我们就以排名网页重要...