GNN卷积操作示例（记录防忘）

最新推荐文章于 2023-03-24 16:42:36 发布
最新推荐文章于 2023-03-24 16:42:36 发布
阅读量520 收藏 2
点赞数 2
分类专栏： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40264772/article/details/108533812
版权

GNN卷积操作示例

1. 获取图的邻接矩阵S和度矩阵D
在这里插入图片描述
2. 利用邻接矩阵和度矩阵求得转移矩阵P,P矩阵是S矩阵的归一化，使得每一行的概率相加为1
在这里插入图片描述
3.利用马尔可夫模型的状态转移矩阵的定义
在这里插入图片描述
在这里插入图片描述
4.利用转移矩阵P求的期望Q在这里插入图片描述
5.根据Q,选择p个节点作为邻域。假设p=3
在这里插入图片描述
6.邻域节点选择好以后，进行卷积操作
在这里插入图片描述

研究生小学徒
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GNN图神经网络
chen的博客
03-11 1818
GNN的核心思想是通过迭代的方式聚合邻居节点的表示,从而更新当前节点的表示。每个节点的表示都是基于其自身特征和邻居节点的表示来更新的。总的来说,GNN能够很好地捕捉图结构数据中节点之间的依赖关系,并通过迭代聚合和更新节点表示来学习有效的节点表示,在各种与图相关的任务中表现出色。假设有一个无向图 G=(V, E),其中 V 是节点集合,E 是边集合。其中 N(v) 表示节点 v 的邻居集合,AGG^{(k)} 表示在第 k 层使用的聚合函数。表示该节点在第 k 层的隐藏表示,表示在第 k 层使用的更新函数。
【图神经网络实战】深入浅出地学习图神经网络GNN（下）
知不足而奋进，望远山而前行
10-26 2万+
最简单的思路是：我们可以将每个时刻的序列先送入GCN进行特征提取，然后再将提取后的特征送入GRU单元往后传递，依此类推。图中的注意力机制相当于在某个点进行特征重构时，其邻接点都加上一个权重，使得其在重构特征时受权重较大的邻接点影响更大，起到注意力的效果。对于动态图，传统的GNN就不太好用了，想想在时间序列数据上我们最常用的网络是什么？左图展示的是静态图，随着时间的变化，其图的邻接矩阵不发生改变（图的结构不变）右图展示的是动态图，随着时间的变化，其图的邻接矩阵也在变化（图的结构在变）权重参数a怎么计算呢？
GNN的第一个简单案例：Cora分类
weixin_50918736的博客
11-21 3169
GNN–Cora分类 Cora数据集是GNN中一个经典的数据集，将2708篇论文分为七类：1）基于案例、2）遗传算法、3）神经网络、4）概率方法、5）、强化学习、6）规则学习、7）理论。每一篇论文看作是一个节点，每个节点有1433个特征。 import os import torch import torch.nn.functional as F import torch.nn as nn from torch_geometric.datasets import Planetoid import torc
使用GNN求解组合优化问题
m0_51810505的博客
06-06 5370
记录了一篇挺有意思的论文：Combinatorial Optimization with Physics-Inspired Graph Neural Networks，用物理启发的图神经网络解决组合优化问题，顺便试了试用它做区间调度。
（pytorch-深度学习系列）卷积神经网络中的填充(padding)和步幅(stride)
我亦是行人
10-26 5991
卷积神经网络中的填充(padding)和步幅(stride) 之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。 对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×kwk_h\times k_wkh​×kw​，那么输出形状将会是 (nh−kh+1)×(nw−kw+1).(
DGL简单示例，GCN，GAT
最新发布
03-08
在本压缩包中，我们关注的是图神经网络（GNN）相关的学习资源，特别是DGL（Dynamic Graph Library）的应用，包括图卷积网络（GCN）和图注意力网络（GAT）。DGL是一个用于图神经网络的高级库，支持多种深度学习框架，...
图卷积GCN模型学习（CSND追光者整理搜集）.zip
12-27
GCN是GNN的一个重要分支，它在图的邻接矩阵上执行类似于卷积操作的过程。 2. **GCN的数学原理**：GCN的核心是图卷积操作，它是通过对节点的邻居信息进行加权平均来实现的。这个过程可以用矩阵运算来表示，通常涉及...
图卷积神经网络GCN经典案例，CORA数据集，分类任务，纯pytoch编写，注释清晰，可视化直观感受
06-03
图卷积神经网络GCN是图神经网络GNN的一种，其实理解起来也不难。当然最好的学习方法是从一个经典案例开始。CORA数据集是分类任务的一个经典案例，已知一篇论文的特性，求出它是属于哪种类型的论文。代码纯pytoch框架...
Python-提供了TensorFlow中GAT图层的实现以及最小执行示例
08-11
图注意力网络（Graph Attention Network, GAT）是GNN的一种变体，它引入了自注意力机制，使得节点可以不对等权重地关注其邻居节点。在TensorFlow框架中实现GAT，可以帮助开发者更高效地处理复杂图数据。 **GAT的...
适用于NLP的GNN：教程：EMNLP 2019和CODS-COMAD 2020上的用于自然语言处理的图形神经网络
02-04
图神经网络用于自然语言处理 该存储库包含和教程的代码示例。 幻灯片可以从下载。依存关系与PyTorch 1.x，TensorFlow 1.x和Python 3.x兼容。...其他资源： 关于图卷积网络 （请参阅第2章）的理论的简短文章。
GNN github开源代码
05-06
人工智能（AI）最近经历了复兴，在视觉，语言，控制和决策等关键领域取得了重大进展。 部分原因在于廉价数据和廉价计算资源，这些资源符合深度学习的自然优势。 然而，在不同的压力下发展的人类智能的许多定义特征仍然是当前方法无法实现的。 特别是，超越一个人的经验 - 从婴儿期开始人类智能的标志 - 仍然是现代人工智能的一项艰巨挑战。 以下是部分立场文件，部分审查和部分统一。我们认为组合概括必须是AI实现类似人类能力的首要任务，结构化表示和计算是实现这一目标的关键。就像生物学利用自然和培养合作一样，我们拒绝“手工工程”和“端到端”学习之间的错误选择，而是倡导一种从其互补优势中获益的方法。我们探索如何在深度学习架构中使用关系归纳偏差来促进对实体，关系和组成它们的规则的学习。我们为AI工具包提供了一个新的构建模块，具有强大的关系归纳偏差 - 图形网络 - 它概括和扩展了在图形上运行的神经网络的各种方法，并为操纵结构化知识和生成结构化行为提供了直接的界面。我们讨论图网络如何支持关系推理和组合泛化，为更复杂，可解释和灵活的推理模式奠定基础。作为本文的配套文件，我们还发布了一个用于构建图形网络的开源软件库，并演示了如何在实践中使用它们。
8-GNN理论
m0_50976935的博客
09-23 614
GNN的表示能力取决于其应用的邻居聚合函数。聚合函数表达能力越强，GNN表达能力越强，单射聚合函数的GNN表达能力最强。这里可以将邻居聚合过程，抽象化，抽象成为一个a function over a multi-set 的问题：具体来说，就是一个作用于带有重复元素的集合的函数。使其应该满足单射的特征。上图表示，邻居聚合过程，可以抽象称为一个a function over a multi-set 的问题。
【图神经网络】图神经网络(GNN)学习笔记：GNN的应用简介
小哲的博客
02-07 7479
GNN的应用：生物化学、交通、计算机图像、自然语言处理、点云数据 PointNet， EdgeConv，推荐系统DGRec、视觉推理
gnn代码实现
Teslass的博客
03-24 258
gnn代码实现
GNN 系列：Graph 基础知识介绍
Datawhale
08-01 4025
点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容【导读】图卷积神经网络(Graph Convolutional Network)作为最近几年兴起的一...
CNN已老，GNN来了：重磅论文讲述深度学习的因果推理（附资源）
热门推荐
THU数据派
06-19 3万+
来源：新智元本文共4263字，建议阅读8分钟。本文讲述了DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”（Graph network），将...
GNN图网络
萝卜的博客
12-12 9342
  1.图神经网络（Graph NNs）可能解决图灵奖得主Judea Pearl指出的深度学习无法做因果推理的核心问题。 2.如果AI要实现人类一样的能力，必须将组合泛化（combinatorial generalization）作为重中之重，而结构化的表示和计算是实现这一目标的关键。 3.图网络（graph network），是对以前各种对图进行操作的神经网络方法的推广和扩展。图网络具有强...
掌握图神经网络GNN基本，看这篇文章就够了
喜欢打酱油的老鸟
02-16 2万+
https://www.toutiao.com/a6657732617623831051/   2019-02-14 14:02:50     【新智元导读】图神经网络(GNN)在各个领域越来越受欢迎，本文介绍了图神经网络的基本知识，以及两种更高级的算法：DeepWalk和GraphSage。 最近，图神经网络 (GNN) 在各个领域越来越受到欢迎，包括社交网络、知识图谱、推荐系统...
深度推荐模型学习-DeepCrossing学习
03-16 324
介绍 前言 DeepCrossing模型原理 这个模型就是一个真正的把深度学习架构应用于推荐系统中的模型了， 2016年由微软提出， 完整的解决了特征工程、稀疏向量稠密化， 多层神经网络进行优化目标拟合等一系列深度学习在推荐系统的应用问题。 这个模型涉及到的技术比较基础，在传统神经网络的基础上加入了embedding， 残差连接等思想， 且结构比较简单， 对初学者复现和学习都比较友好。 DeepCrossing模型应用场景是微软搜索引擎Bing中的搜索广告推荐， 用户在输入搜索词之后， 搜索引擎除了
GNN pytorch代码
07-27
在forward方法中，我们首先对输入进行一维卷积操作，然后通过ReLU激活函数进行非线性变换，接着使用最大池化操作获取每个样本的最大值，最后将结果输入到全连接层得到最终的输出。 请注意，这只是一个简单的示例...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值