邻接矩阵和节点特征向量相乘

邻居节点加权求和的矩阵表达：

A 和 H 的乘积其实就是把所有的邻居节点向量进行相加，如下图所示，表示A × H

邻接矩阵和特征属性相乘

A表示的是邻接矩阵，H表示的是4个节点，每个节点有一个5维的特征向量，将A 和H点乘会得到右边矩阵AH的结果，得到 A×H 之后再和 W训练参数相乘，最后经过激活函数 σ 就得到下一层4个节点的特征向量了。

融入中心节点自身特征属性：

A×H只获得了某个节点的邻居信息，而忽略了节点本身信息。为了解决这个问题，在邻接矩阵A中将对角线的值设为 1，即每个节点会指向自身，新的卷积公式如下：

融入自身节点的图卷积

上面的内容参考自：图神经网络：GCN原理学习笔记 - 简书

参考代码理解：

这是gcn中卷积层的定义，执行一次卷积，就执行一次公式：