深度学习：GCN案例

最新推荐文章于 2024-06-18 00:44:15 发布
最新推荐文章于 2024-06-18 00:44:15 发布
阅读量626 收藏
点赞数
分类专栏： GCN pytorch深度学习 文章标签： 深度学习 机器学习 人工智能
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/zhe470719/article/details/120987149
版权
这篇博客探讨了半监督学习的概念，它介于监督学习和无监督学习之间，利用少量有标签数据和大量无标签数据进行学习。文章提到了人类学习过程作为半监督学习的实例，并引出了基于GCN（图卷积网络）的半监督学习模型。该模型用于处理Zachary's空手道俱乐部问题，这是一个社交网络分割的案例，目标是预测成员所属的社区。作者提出的方法利用有标签节点训练GCN，进而对无标签节点进行分类，提升了模型的性能。
摘要由CSDN通过智能技术生成

目录标题

半监督学习

监督学习

训练集的每一个数据已经有特征和标签（我们在进行文本分类的时候，训练数据为已经分好类别的语料）

有输入数据和输出数据通过学习训练集中输入数据和输出数据的关系，生成合适的函数，将输入映射到合适的输出。比如分类、回归。

半监督学习

在label data上面有另外一组unlabel data(只有input没有output)
训练集中一部分数据特征和标签，另一部分只有特征（只有输入没有输出），综合两类数据来生成合适的函数。【通常无标签的数据要多于有标签的数据】

目的：半监督学习要让学习器不依赖外界交互、自动的利用未标记数据来提升学习性能

关键：在于给未标记数据打上正确的标签

例如：
我们在生活中的学习就是半监督学习（比如从小孩开始，接触新事物的时候会先从父母那里得到一点信息，比若说看到一只狗，父母就会告诉我们这个是狗，也就是label，但是我们在一生中会看到很多种狗，我们会根据之前的知识去推断出来它是狗，这时是没有标签的，所以人类学习的过程就是半监督学习）

一种基于GCN的半监督学习模型

题目：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

作者提出了一种可扩展式的半监督学习卷积神经网络方法处理基于图结构的数据。论文中作者所提出的方法应用的是关于图结构数据中的聚类问题。通过图结构数据中部分

最低0.47元/天 解锁文章
盏云
关注
专栏目录
R语言深度学习：图神经网络GNN应用案例
sybh的博客
05-09 620
与传统的神经网络不同，GNN是一种基于图结构的学习框架，能够对节点和边进行学习和预测，因此在社交网络分析、化学分子结构预测等领域有着广泛的应用。其中，$H^{(l)}$表示第$l$层的节点特征矩阵，$\tilde{A}=A+I_N$表示邻接矩阵加上自环的结果，$\tilde{D}$表示对角线元素为度的矩阵，$W^{(l)}$表示第$l$层的权重矩阵，$\sigma$表示激活函数。添加更详细的模型介绍和原理说明，可以介绍一下GCN模型的具体原理和特点，以及它相对于其他图神经网络模型的优势和不足。
2020年9月13日-GCN-实例1
08-03
给定一个图 G=(E,V) ,一个 GCN 的输入包括：一个输入特征矩阵 X，其维度是 N×F0 ,其中 N 是节点的数目，F0 是每个节点输入特征的数目一个
GCN算法及实例分析
qq_45944185的博客
09-26 7191
一.GCN前瞻知识 1.图卷积计算公式:H(l+1)=σ(D~−12A~D~−12H(l)W(l))\mathrm{H}^{(l+1)}=σ(\widetilde{D}^{-\frac{1}{2}}\widetilde{A}\widetilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)})H(l+1)=σ(D−21​AD−21​H(l)W(l)) A~=A+I\widetilde{A}=A+IA=A+I D~=∑jA~ij\widetilde{D}=\sum_j\widetilde{A}
图神经网络 | (4) GCN实战
sdu_hao的博客
02-02 1万+
近期买了一本图神经网络的入门书,接下里的几篇博客对书中的一些实战案例进行整理，具体的理论和原理部分可以自行查阅该书，该书购买链接：《深入浅出的图神经网络》。 该书配套代码 本节我们通过一个完整的例子来理解如何通过GCN来实现对节点的分类。 目录 1. 数据集及预处理 2. 图卷积层定义 3. 模型定义 4. 模型训练 1. 数据集及预处理 我们使用的是Cora数据集，该数据集由2...
转载：图卷积网络的pytorch实例——GCN【实测成功】
weixin_41529093的博客
05-15 570
仅作为记录，大佬请跳过。 文章目录 转载大佬博主文章 传送门 直接上代码 可直接运行 import networkx as nx G = nx.karate_club_graph() print(G.number_of_nodes()) # 34 print(G.number_of_edges()) # 78 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim impo
GCN实战
m0_46708519的博客
08-21 608
数据集采用的是Cora数据集 首先导入所需的库 import itertools import os import os.path as osp import pickle import urllib from collections import namedtuple import numpy as np import scipy.sparse as sp import torch import torch.nn as nn import torch.nn.functional as F import
玩转图神经网络和知识图谱的相关算法：GCN,GAT,GAFM,GAAFM,GraphSage,W2V,TRANSe.zip
07-20
深度学习，神经网络学习资源，机器学习源码及案例，经典人工智能算法。 深度学习，神经网络学习资源，机器学习源码及案例，经典人工智能算法。 深度学习，神经网络学习资源，机器学习源码及案例，经典人工智能算法...
深度学习：迁移学习-案例写法总结
zhe470719的博客
10-06 708
目录案例一:猫狗分类参数微调特征提取的方法总结 案例一:猫狗分类 参考：猫狗分类迁移学习案例详解 代码位置：E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化 参数微调 该方法使用预训练的参数来初始化我们的网络模型，修改全连接层后再训练所有层。 # 加载预训练模型 model_ft = models.resnet18(pretrained=True) # 获取resnet18的全连接层的输入特征数 num_ftrs = model_ft.fc.in_feature
【GNN】PinSAGE：GCN 在工业级推荐系统中的应用
阿泽的学习笔记
06-09 2737
今天学习的是 Pinterest 和斯坦福大学 2018 年合作的论文《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》，目前有 200 多次引用。 论文中提出的 PinSAGE 结合了随机游走和 GCN 来生成节点的 Embedding 向量。同时考虑了图结构和节点的特征信息。此外，PinSAGE 也设计了一种新颖的训练策略，该策略可以提高模型的鲁棒性并加快模型的收敛。 这篇论文是 GraphSAGE 一次成功的应
讲GCN的最好的资料
08-30
Thomas Kipf亲自做的，非常详细，细致，很有收获！
gcn：在TensorFlow中实现图卷积网络
02-28
图卷积网络 这是图卷积网络的TensorFlow实现，用于图中节点的（半监督）分类任务，如我们的论文所述： Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 安装 python setup.py install 要求 张量流（> 0.12） 网络 运行演示 cd gcn python train.py 数据 为了使用您自己的数据，您必须提供 N×N邻接矩阵（N是节点数）， N×D特征矩阵（D是每个节点的特征数），以及 N by E二进制标签矩阵（E是类数）。 看一看在load_data()函数utils.py为例。 在此示例中，我们加载引文网络数据（Cora，Citeseer或Pubmed）。 原始数据集可以在以下位置找到： : 。 在我们的版本中（请参
深度学习：GCN（图卷积神经网络）理论学习总结
zhe470719的博客
10-26 2万+
目录来源作用原理解释核心图的概念学习新特征目标提出步骤图卷积分类特点常见问题参考 来源 解决：发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据 具体： 对CNN： 核心在于kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享 对RNN： 对象是自然语言这样的序列信息，是一个一维的结构，通过各种门的操作，使得序列前后的信息
深度学习的数据预处理——全局对比度归一化(GCN)
shandianfengfan的博客
06-11 2766
深度学习领域的normalization预处理，把数据钳制到一定范围，确保不同样本的数据都属于同一量级
深度学习之GCN的简单理解
zlinxi
07-11 9539
一、概述 GCN是一类非常强大的用于图书局的神经网络架构，下图展示了一个两层 GCN 生成的每个节点的二维表征，即使没有经过任何训练，这些二维表征也能够保存图中节点的相对邻近性。对于CNN中的卷积，本质上是利用一个共享参数的过滤器，计算中心像素点以及相邻像素点的加权和来构成特征图实现空间特征的提取，卷积核的参数通过优化求出才能实现特征提取的作用，而GCN的理论很大一部分就是为了引入可以优化的卷积...
基于Pytorch的图卷积网络GCN实例应用及详解
热门推荐
rothschild666的博客
03-27 2万+
基于Pytorch的图卷积网络GCN实例应用及详解 一、图卷积网络GCN定义 图卷积网络实际上就是特征提取器，只不过GCN的数据对象是图。图的结构一般来说是十分不规则，可以看作是多维的一种数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction）和获得图的嵌入表示（graph embedding），用途十分广泛。 二、图卷积网络G
图卷积网络(GCN)原理与代码实战案例讲解
最新发布
AI天才研究院
06-18 818
1. 背景介绍 在机器学习领域，图数据是一种常见的数据类型，例如社交网络、推荐系统、生物信息学等领域都可以用图来表示数据。传统的卷积神经网络(CNN)和循环神经网络(RNN)等模型只能处理规则化的数据，而对于图数据，传统的神经网络模型并不适用。因此，图卷积网络(GCN)应运而生。 GCN是一种基于图结构的卷积神经网络，它可以处理非规则化
基于Pytorch的图卷积网络GCN实例应用及详解3.0
rothschild666的博客
05-21 2784
基于Pytorch的图卷积网络GCN实例应用及详解3.0的实例应用依旧是图的二分类任务，数据训练预测模型框架没有变化，主要是**数据集本身及其处理和重新构造及损失函数选择发生变化**，其余部分发生细微变化。
高分毕业设计：时空图卷积ST-GCN骨骼动作识别源码
它可以作为学生在学习人工智能和深度学习领域知识时的一个实践案例，帮助他们更好地掌握理论知识并应用于解决实际问题。 6. 项目部署：该项目的另一个优点是易于部署。用户可以下载所需的文件，并按照项目说明进行...
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