【深度学习】最强算法之：图神经网络（GNN）

最新推荐文章于 2024-07-06 20:31:48 发布
最新推荐文章于 2024-07-06 20:31:48 发布
阅读量4.5k 收藏 42
点赞数 40
分类专栏： 【机器学习】&【深度学习】 文章标签： 深度学习 算法 神经网络
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/wuyoudeyuer/article/details/136848777
版权

图神经网络

1、引言

小屌丝：鱼哥，给俺讲一讲图神经网络啊
小鱼：你看，我这会在忙着呢
小屌丝：啊~
小鱼：这是咋的了，
小屌丝：你咋还有这技术？
小鱼：这… 不是很平常的操作，有啥惊讶的。
小屌丝：哇哦~ 难得哦
小鱼：你这…
小屌丝：看来今晚是有贵客到哦？
小鱼：也没有了， 嘿嘿~
小屌丝： 66号技师？？
小鱼：你可真能扯，我是那种人吗，我能做那种事情吗？
小屌丝：那你说你这要干嘛？
小鱼：我… 我就要烧个菜，你真是能联想翩翩
小屌丝

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Carl_奕然
关注
  • 40
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
秒懂算法 | 基于图神经网络的推荐算法
不断学习，不断进步，提高自己
02-28 1372
图神经网络(Graph Neural Networks,GNN)是近几年兴起的学科,用来作推荐算法自然效果也相当好,但是要学会基于图神经网络的推荐算法之前,需要对图神经网络自身有个了解。
深度学习-图神经网络实战
04-19
分享一套图神经网络视频教程——《深度学习-图神经网络实战》，视频+源码+数据+文档资料下载！ 《深度学习-图神经网络实战》课程旨在帮助同学们快速掌握深度学习在图模型领域算法及其应⽤项⽬。内容主要包括三个模块： 1、图神经⽹络经典算法解读，详细解读GNN,GCN,注意⼒机制图模型等算法 ； 2 、图神经⽹络框架PyTorch-Geometric，全程实战解读图神经⽹络框架应⽤⽅法； 3 、图神经⽹络项⽬实战，基于真实数据集与实际项⽬展开图数据集构建与模型训练并应⽤到实际场景中。 整体⻛格通俗易懂，提供全部数据与代码。
图神经网络
最新发布
weixin_54418006的博客
07-06 292
概念：图神经网络（Graph Neural Network, GNN）是一类专门用于处理图数据的神经网络模型，它们能够有效地学习和推断图数据中节点和边的复杂关系。传统的神经网络主要处理向量或矩阵形式的数据，而图神经网络则扩展到了非欧几里得数据结构，如图和网络。目的：整合特征图神经网络通常通过消息传递的方式更新节点的表示。每个节点会从其邻居节点接收信息，然后通过聚合这些信息来更新自己的表示。这种消息传递的过程可以迭代多次，以便节点能够汇聚更多的上下文信息。
图卷积网络概述笔记
木木JL的博客
10-23 881
图卷积网络概述笔记谱方法空间方法 开一个博客把听的基础概念给记录下来，随笔瞎记呗 谱方法 不像图像中的卷积操作和空间方法，谱方法在谱域定义卷积操作，把图变换到谱域进行卷积之后再变换到图域。 给定无向图G=(V,E,W)，点集V（n=|V|)，边集E，权重集W∈Rn×nW \in R^{n \times n}W∈Rn×n，每个节点如果有d维特征，所有节点的特征矩阵就是X∈Rn×dX \in R^{n \times d}X∈Rn×d 图的拉普拉斯矩阵：L=D-W，D是度矩阵Dii=∑jWij\boldsymbo
深度学习十大算法之图神经网络（GNN）
第欧根尼的酒桶的博客
03-26 4356
神经网络是一种模仿生物神经网络（例如大脑）工作方式的算法，是人工智能和机器学习领域的核心。最简单的神经网络由输入层、若干隐藏层和输出层组成，其中每层包含多个神经元。这些神经元通过带权重的连接相互作用。输入数据在网络中传播，并在每个神经元处进行加权求和和激活函数处理，最终产生输出。神经网络能够通过学习数据中的模式来执行各种复杂任务，如分类、预测等。
GNN图神经网络
chen的博客
03-11 2216
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。
掌握图神经网络GNN基本，看这篇文章就够了
热门推荐
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...
图神经网络 (GNN)
m0_62307289的博客
11-11 2683
我们以民国最出名的七角恋人物关系图为例进行讲解，如下图所示：这是一张图，包括人物实体以及人物关系。我们抽象成下面的形式，人物是图的顶点（Vertex）、人物关系是图的边（Edge）。顶点和边都可以附带各自的属性（如：姓名、关系类型等）V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）
百度图神经网络学习——day03：图神经网络算法（一）
weixin_45325331的博客
11-26 1984
文章目录一、图卷积网络（Graph Convolutional Network）1.核心公式2.算法流程二、图注意力算法（GAT）1.计算方法2.多头Attention三、空间GNN四、编程实践 一、图卷积网络（Graph Convolutional Network） 在深度学习中，可以对图像进行卷积操作，即卷积神经网络。图像的卷积操作是将一个像素点周围的像素按照不同的权重叠加起来。 将卷积的概念类比到图结构中，我们将图结构的卷积定义为将一个节点周围的邻居按照不同的权重叠加起来。 1.核心公式 图卷积网络的
【深度学习】最强算法之：图卷积网络（GCN）
商务合作 | 面试培训 | 职场规划 ==>主页扫码
04-11 2036
掌握了GNN， 就不得不掌握GCN
【深度学习】最强算法之：一文掌握GNN与GCN的异同点，再也不迷路。
商务合作 | 面试培训 | 职场规划 ==>主页扫码
04-10 6918
一文掌握GCN 和GNN的异同点
图神经网络解释性问题综述
笔记|思路|总结
03-15 3093
图神经网络的可解释性是目前比较值得探索的方向，这篇综述论文针对近期提出的 GNN 解释技术进行了系统的总结和分析，归纳对比了该问题的解决思路。作者还为GNN解释性问题提供了标准的图数据集和评估指标，将是这一方向非常值得参考的一篇文章。 论文标题：Explainability in Graph Neural Networks: A Taxonomic Survey 论文地址：https://arxiv.org/pdf/2012.15445.pdf 图神经网络的解释性问题综述 摘要 在这篇论文中，作者对目
图神经网络对抗攻击的综述
qq_38391210的博客
08-25 2997
摘要
传统算法与神经网络算法,神经网络算法包括哪些
Supermen333的博客
09-16 729
The neuron --------------------------------------------------------------------------------虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。Introduction --------------------------------------------------------------------------------神经网络是新技术领域中的一个时尚词汇。
GNN教程：图神经网络基础知识！
小白学视觉
08-01 863
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达基础知识图卷积神经网络(Graph Convolutional Network)作为最近几年兴起的一种基于图结构的广义神经网络结构，因为其独特的计算能力，而受到广泛学者的关注与研究。传统深度学习模型 LSTM 和 CNN 在欧几里得空间数据(语言，图像，视频等)上取得了不错的成绩，但是在对非欧几里得空...
GNN教程：Weisfeiler-Leman算法！
Datawhale
12-18 7269
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：秦州，算法工程师，Datawhale成员一、引言本文为GN...
GNN（图神经网络）基本概念
luemeon的博客
02-16 9426
功能：节点分类和图分类 空域 ：空间上考虑图结构的模型，即考虑目标节点和其他节点的几何关系(有无连接)。 模型代表：GAT（Graph Attention Networks）图注意力模型 频域： 模型代表：GCN（Graph Convolutional Network ）图卷积网络 优点：省参数 缺点：不易作用于动态图 共同步骤： 加工图邻接矩阵 对图邻接矩阵特征分解，得到特征值， 将特征向量看作常数，而卷积核作用在特征值上 ......
GNN图神经网络梳理
goto_past的博客
08-17 1310
一、GCN 图卷积神经网络： Semi-Supervised Classification with Graph Convolutional Networks 基于频谱域的图卷积神经网络，原理是通过独立于节点embedding的图拓扑结构定义用于聚集(过滤)邻居节点的权值。 ：本质仍是聚合邻居节点的信息，只不过可以通过数学变换得到如下的式子统一表示聚合邻居信息的过程。 这样可能提高了速度但固定了GCN的聚合邻居信息的方式，导致了直推式学习的弊端。 1、GCN的本质确实是利用全图进行节点的特征学习（参考：G
gnn代码实现
05-25
GNN是图神经网络，其代码实现需要使用图论相关的算法和深度学习框架。这里以PyTorch为例，简单介绍GNN的代码实现。 首先需要定义一个GNN模型类，继承自PyTorch中的nn.Module类。在构造函数中需要定义GNN的网络结构，包括输入层、隐藏层、输出层等。在forward函数中实现GNN的正向传播过程，即通过图卷积操作对节点特征进行更新和聚合，最终得到图级别的特征表示。 以下是一个简单的GNN模型实现代码： ```python import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv class GNNModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GNNModel, self).__init__() self.conv1 = GCNConv(input_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, output_dim) def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) x = self.conv2(x, edge_index) return torch.mean(x, dim=0) ``` 以上代码使用了PyTorch Geometric库中的GCNConv模块来实现图卷积操作，其中input_dim、hidden_dim和output_dim分别表示输入特征维度、隐藏层特征维度和输出特征维度。在forward函数中通过GCNConv模块对输入特征进行更新和聚合，最终得到图级别的特征表示。最后使用torch.mean函数对所有节点特征进行平均操作得到图级别的特征表示。 以上代码仅为GNN模型的简单实现，实际应用中需要根据具体需求进行修改和优化。
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

打赏作者

Carl_奕然

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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