- 12024年最全Python爬虫的框架有哪些？推荐这五个！_python爬虫框架，阿里Python面试题_python 爬虫框架
- 22024年Python最全pyspider 实战项目之爬取去哪儿_python爬取去哪儿机票
- 3【算法】贪心算法
- 4CodeGeeX一款基于大模型全能的智能编程助手_codegeex的图文介绍
- 5YOLOv8的5种不同部署方式推理速度对比：Pytorch、ONNX、OpenVINO-FP32、OpenVINO-int8、TensorRT_yolov8 engine推理
- 6SpringBoot异步任务及并行事务实现_异步事务
- 7nslookup命令反解ip_桌面运维常用命令
- 8探索Mojo编程语言：AI开发者的新宠儿_什么是mojo编程 语言
- 9人人快速开发平台开发文档 纯个人手撸 跟官网的不一样_人人开源开发文档
- 10kafka依赖_kafka的简单学习
深度学习 GNN图神经网络（三）模型思想及文献分类案例实战_gnn实战
赞
踩
如果你有一定神经网络的知识基础，想学习GNN图神经网络，可以按顺序参考系列文章：
深度学习 GNN图神经网络（一）图的基本知识
深度学习 GNN图神经网络（二）PyTorch Geometric（PyG）安装
深度学习 GNN图神经网络（三）模型原理及文献分类案例实战
一、前言
本文介绍GNN图神经网络的思想原理，然后使用Cora数据集对其中的2708篇文献进行分类。用普通的神经网络与GNN图神经网络分别实现，并对比两者之间的效果。
二、总体思想
GNN的作用就是对节点进行特征提取，可以看下这个几分钟的视频《简单粗暴带你快速理解GNN》。
比如说这里有一张图，包含5个节点，每个节点有三个特征值：
节点A的特征值
x
a
=
[
1
,
1
,
1
]
x_a=[1,1,1]
xa=[1,1,1]，节点B的特征值
x
b
=
[
2
,
2
,
2
]
x_b=[2,2,2]
xb=[2,2,2] …
我们依次对所有节点的特征值进行更新：
新的信息=自身的信息 + 所有邻居点的信息
所有邻居点信息的表达有几种：
- 求和Sum
- 求平均Mean
- 求最大Max
- 求最小Min
我们以求和为例：
x
^
a
=
σ
(
w
a
x
a
+
w
b
x
b
+
w
c
x
c
)
\hat{x}_a=\sigma(w_ax_a+w_bx_b+w_cx_c)
x^a=σ(waxa+wbxb+wcxc)
x
^
b
=
σ
(
w
b
x
b
+
w
a
x
a
)
\hat{x}_b=\sigma(w_bx_b+w_ax_a)
x^b=σ(wbxb+waxa)
x
^
c
=
σ
(
w
c
x
c
+
w
a
x
a
+
w
d
x
d
)
\hat{x}_c=\sigma(w_cx_c+w_ax_a+w_dx_d)
x^c=σ(wcxc+waxa+wdxd)
x
^
d
=
σ
(
w
d
x
d
+
w
a
x
a
+
w
c
x
c
)
\hat{x}_d=\sigma(w_dx_d+w_ax_a+w_cx_c)
x^d=σ(wdxd+waxa+wcxc)
x
^
e
=
σ
(
w
e
x
e
+
w
d
x
d
)
\hat{x}_e=\sigma(w_ex_e+w_dx_d)
x^e=σ(wexe+wdxd)
其中，
w
w
w是各自节点的权重参数，
σ
\sigma
σ是激活函数。
求所有邻居点信息并更新特征值的操作叫做消息传递、信息聚合或图卷积（跟CNN卷积神经网络中的卷积是两回事）。
我们再以简单的求平均为例（忽略权重），得到特征平均值后，将其传入神经网络，输出两个值，这时节点的特征值个数就变成了两个。这整个结构叫做图卷积网络（GCN）。
当然设计几层GCN或者输出值个数，我们都是可以自定义的。
在经历第一次更新操作后：
A中有B、C、D的信息；
B中有A的信息；
C中有A、D的信息；
D中有A、C、E的信息；
E中有D的信息；
在经历第二次更新操作后：
A中有B、C、D、E的信息；
⋮
\vdots
⋮
E中有A、C、D、E的信息；
如此循环，节点逐渐包含更多其他节点的信息，只是权重不同。
PS：过年了，这段写得有点仓促，如有错误恳请纠正。作者也会在这留下TODO，后续参考更多的资料进行校正。祝兔年快乐~ 声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop】
Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。
