weixin_45762566的博客

在我们日常生活中，最常见到的媒体介质莫过于是和以及了，这些数据有一个特点就是：“排列整齐”。图1.欧几里得结构数据示例对于某个节点，我们很容易可以找出其邻居节点，就在旁边嘛，不偏不倚。非欧几里德结构的样本总得来说有两大类型，分别是图(Graph)数据和流形数据。图2. 图结构数据是典型的非欧几里德结构数据图3.流形数据也是典型的非欧几里德结构数据这两类数据有个特点就是，排列不整齐，比较的随意。具体体现在：对于数据中的某个点，难以定义出其邻居节点出来，或者是不同节点的邻居节点的数量是不同的，因此这类型的数据不

对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。b站：“卷积”的意义。

给定一个具有n nn个顶点的简单图G = ( V , E ) G=(V, E)G=(V,E)，V VV为顶点集合，E EE为边集合，其拉普拉斯矩阵可定义为：L=D−A其中A为邻接矩阵，D为度矩阵。注意，A中的元素仅仅可能是 0 和 1，且其对角元素全为 0。D 是一个对角矩阵。

在强化学习中，智能体（agent）通过尝试最大化累积的奖励来学习适应环境的行为。在监督学习中，模型通过使用带有标签的训练数据进行训练。每个训练样本都有一个与之相关联的标签，模型的目标是学习如何从输入数据映射到输出标签，以便对新的、未见过的数据进行预测。半监督学习介于监督学习和无监督学习之间。它利用既有标签的训练数据，同时也使用未标签的数据。与监督学习不同，无监督学习中的训练数据没有标签。模型的目标是在没有预定义输出的情况下发现数据中的模式、结构或关系。无监督学习的例子包括。是由人类自己定义规则。