背景简述：深度学习模型的出现极大地促进了蛋白质互作（PPI）的预测。由于蛋白结构有限，因此多数预测方法依赖于蛋白质序列信息（氨基酸理化性质、进化相似性）和蛋白质互作网络信息，而AlphaFold2的出现极大地增加了原子水平上的蛋白质结构数目，因此深度学习整合蛋白质结构特征有助于提升蛋白质互作预测。研究目的：Ontheotherhand,itisthereforeinterestingtoexplorehowtheGCNrepresentationofresiduenetworkscouldbetterdescribetheinter-actionsbetweenspecificproteinp
由于博主学疏才浅，经过一段时间学习，只能做到基础层面的理解，本文就较为通俗地讲解一下图卷积神经网络算法，下篇文章会讲解代码实现部分！文章目录GCN-图卷积神经网络算法介绍和算法原理1. GCN从何而来2. GCN是做什么的3. GCN算法的原理3.1 GCN的结构3.2 GCN的传播公式总结GCN-图卷积神经网络算法介绍和算法原理1. GCN从何而来GCN的概念首次提出于2017年的国际学习表征会议（ICLR），成文于2016年：神经网络在各种传统任务上都体现出了惊人的效果，如：CNN卷积神经网络系列在图像领域（例如图像识别）的结果、RNN循环神经网络系列在序列数据（语言处理）上表现出的效果。
试图通俗地捋清标题名词之间的关系0.前置知识0.1函数的正交0.2什么是卷积？0.3散度0.4欧拉公式1.卷积与傅里叶变换1.1傅里叶变换1.2时域的卷积等于频域的乘积2.拉普拉斯变换3.拉普拉斯算子4.拉普拉斯矩阵与其特征向量5.太长不看总结版extra注：大量借鉴内容，且本文并不重在详细公式的推导，只是粗浅地替非信号专业的兄弟们把没接触过的概念串一串，欢迎批评指正0.前置知识0.1函数的正交两个向量的正交很好理解：如（1，0）与（0，1）内积为0引申到两个函数的正交：两个函数f(x)、g(x)在共同的定义域内，定义域内的每个点对应的函数值乘起来再相加（积分）值为0举例：sin（x）与cos
试图通俗地捋清标题名词之间的关系0.前置知识0.1函数的正交0.2什么是卷积？0.3散度0.4欧拉公式1.卷积与傅里叶变换1.1傅里叶变换1.2时域的卷积等于频域的乘积2.拉普拉斯变换3.拉普拉斯算子4.拉普拉斯矩阵与其特征向量5.太长不看总结版extra注：大量借鉴内容，且本文并不重在详细公式的推导，只是粗浅地替非信号专业的兄弟们把没接触过的概念串一串，欢迎批评指正0.前置知识0.1函数的正交两个向量的正交很好理解：如（1，0）与（0，1）内积为0引申到两个函数的正交：两个函数f(x)、g(x)在共同的定义域内，定义域内的每个点对应的函数值乘起来再相加（积分）值为0举例：sin（x）与cos
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网络基本知识2.1图基本模块定义2.2图神经网络要做的事情2.3邻接矩阵的定义2.3.1图数据的邻接矩阵2.3.2文本数据的邻接矩阵2.4GNN中的常见任务2.4.1Graph级别任务2.4.2Node与Edge级别任务2.5消息传递计算方法2.5.1优化邻接矩阵2.5.2点的特征重构2.6多层GNN的作用GNN输出特征的用处三、GCN详解3.1GCN基本模型概述3.1.1
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网络基本知识2.1图基本模块定义2.2图神经网络要做的事情2.3邻接矩阵的定义2.3.1图数据的邻接矩阵2.3.2文本数据的邻接矩阵2.4GNN中的常见任务2.4.1Graph级别任务2.4.2Node与Edge级别任务2.5消息传递计算方法2.5.1优化邻接矩阵2.5.2点的特征重构2.6多层GNN的作用GNN输出特征的用处三、GCN详解3.1GCN基本模型概述3.1.1
本文是就实现GCN算法模型进行的代码介绍，上一篇文章是GCN算法的原理和模型介绍。代码中用到的Cora数据集：链接：https://pan.baidu.com/s/1SbqIOtysKqHKZ7C50DM_eA 提取码：pfny 文章目录目的一、数据集介绍二、实现过程讲解三、代码实现和结果分析1.导入包2.数据准备¶3. 图卷积层定义4.GCN图卷积神经网络模型定义5. 模型训练5.1超参数定义，包含学习率、正则化系数等。5.2定义模型：5.3定义训练和测试函数，进行训练6.可视化目的本次实验的目的是将论文分类，通过模型训练，利用已经分好类的训练集，将论文通过GCN算法分为7类。一、数据集介绍
本文是就实现GCN算法模型进行的代码介绍，上一篇文章是GCN算法的原理和模型介绍。代码中用到的Cora数据集：链接：https://pan.baidu.com/s/1SbqIOtysKqHKZ7C50DM_eA 提取码：pfny 文章目录目的一、数据集介绍二、实现过程讲解三、代码实现和结果分析1.导入包2.数据准备¶3. 图卷积层定义4.GCN图卷积神经网络模型定义5. 模型训练5.1超参数定义，包含学习率、正则化系数等。5.2定义模型：5.3定义训练和测试函数，进行训练6.可视化目的本次实验的目的是将论文分类，通过模型训练，利用已经分好类的训练集，将论文通过GCN算法分为7类。一、数据集介绍
图卷积神经网络(GCN)综述与实现（PyTorch版)本文的实验环境为PyTorch=1.11.0+cu113，PyG=2.0.4，相关依赖库和数据集的下载请见链接。一、图卷积神经网络介绍1.1传统图像卷积卷积神经网络中的卷积(Convolution)指的是在图像上进行的输入和卷积核之间离散内积运算，其本质上就是利用共享参数的滤波器，通过计算中心值以及相邻节点的值进行加权获得带有局部空间特征的特征提取器。其具有三个重要的特征，分别为：稀疏连接相较于全连接层，卷积层输入和输出间的连接是稀疏的，能够大大减少参数的数量，加快网络的训练速度。参数共享卷积核的权重参数可以被多个函数或操作共享，这样只需要
图卷积神经网络(GCN)综述与实现（PyTorch版)本文的实验环境为PyTorch=1.11.0+cu113，PyG=2.0.4，相关依赖库和数据集的下载请见链接。一、图卷积神经网络介绍1.1传统图像卷积卷积神经网络中的卷积(Convolution)指的是在图像上进行的输入和卷积核之间离散内积运算，其本质上就是利用共享参数的滤波器，通过计算中心值以及相邻节点的值进行加权获得带有局部空间特征的特征提取器。其具有三个重要的特征，分别为：稀疏连接相较于全连接层，卷积层输入和输出间的连接是稀疏的，能够大大减少参数的数量，加快网络的训练速度。参数共享卷积核的权重参数可以被多个函数或操作共享，这样只需要
