图卷积神经网络笔记——第二章：谱域图卷积介绍（2）

上一小节： 链接.
接下来介绍三个经典的图谱卷积模型：SCNN、ChebNet、GCN

一、简介

上一小节介绍了谱域图卷积的背景知识和数学原理，确实比较苦涩，但是很有必要了解，那么接下来我们接着上一小节的内容，来介绍几种经典的图谱卷积模型：SCNN、ChebNet、GCN。

这三个模型均立足于图谱理论且一脉相承。
其中，ChebNet可看做 SCNN的改进 ，GCN 可看做 ChebNet 的改进 。当然这三个模型均可认为是下式的一特例 。这个式子还记得吗，就是上一小节最后推导出来的结果。

接下来就开始模型的介绍吧。

二、SCNN

2.1 卷积前后的信号：

在介绍SCNN模型之前，先看一下，卷积前后每个节点的信号是什么？如下图所示：

上面图片实际上是GCN模型的图片，放在这里是因为不同方法的卷积网络特征图的规律都是一样的。如上面左图，首先某一层的图的信号可以表示为一个 $n\ast C$ 的一个矩阵，$n$ 就表示有$n$个不同的节点，$C$ 代表通道个数；然后所谓图上的信号，其实就可以分解为各个节点上的信号，用$X$表示整个图上的信号，是一个 $n\ast C$ 的矩阵，具体比如$X_1$这个节点它就是一个 $1\ast C$ 的向量，有 $n$ 个节点，就是一个 $n\ast C$ 的矩阵。当我们假设通道 $C$ 等于 1 时，整个图上的信号其实就类似于灰度图像上的信号。

这种表示其实和image上的表示是一样的，如上面右图，假设一张图片的高是 $h$ ，宽是 $w$，通常我们使用 $h\ast w\ast C$ 的矩阵来代表图像某一层的特征图，$C$ 就是通道个数。如上面中间图，特征图的形式是 $n\ast F$，$F$ 表示该层的一个特征图的通道数。

上面其实就是在说图卷积网络不同层的特征图，他们是共享一个图的结构，就是传播到下一层，图的结构是不变的（节点个数不变，节点之间的关系不变），变的是图上的信号或者说是节点上的信号，如 $X_1$ 在 $input$ $layer$ 层是一个 $1\ast C$ 的向量，而到了 $output$ $layer$层变成一个 $1$