图神经网络
VariableX
这个作者很懒,什么都没留下…
展开
-
图注意力网络(Graph Attention Network, GAT) 模型解读与代码实现(tensorflow2.0)
前面的文章,我们讲解了图神经网络三剑客GCN、GraphSAGE、GAT中的两个:图卷积神经网络(GCN)理解与tensorflow2.0代码实现GraphSAGE 模型解读与tensorflow2.0代码实现本要讲的是GAT(Graph Attention Network),它使用 Attention 机制来对邻居节点进行加权求和,和一般的Attention 机制一样,分为计算注意力系数和加权求和两个步骤。GAT中的 Attention 机制先来看看每一层的输入与输出: inpu原创 2020-12-07 19:33:16 · 6923 阅读 · 4 评论 -
GraphSAGE 模型解读与tensorflow2.0代码实现
上一篇文章,我们讲了图神经网络:图卷积神经网络(GCN)理解与tensorflow2.0代码实现,也提到GCN的缺点:GCN属于直推式学习(Transductive Learning),它在固定的图上学习每个节点的embedding表示,不能泛化到未加入到图中的节点,一旦图的结构发生改变,就需要重新训练整个网络。本文提到的 GraphSAGE 属于归纳学习(Inductive Learning),核心是学习聚合邻居节点信息的函数(聚合函数),然后利用聚合函数来得到一个节点的表示。即使图中加入了新的节点,建原创 2020-11-23 19:23:03 · 2010 阅读 · 1 评论 -
图卷积神经网络(GCN)理解与tensorflow2.0代码实现
图(Graph),一般用 G=(V,E)G=(V,E)G=(V,E) 表示,这里的VVV是图中节点的集合,EEE 为边的集合,节点的个数用NNN表示。在一个图中,有三个比较重要的矩阵:特征矩阵XXX:维度为 N×DN\times DN×D ,表示图中有N个节点,每个节点的特征个数是D。邻居矩阵AAA:维度为 N×NN\times NN×N ,表示图中N个节点之间的连接关系。度矩阵 DDD:维度为 N×NN\times NN×N ,是一个对角矩阵,即只有对角线上不为零,其他位置元素都是 0 ,表示图中原创 2020-11-19 18:27:11 · 9207 阅读 · 10 评论