Introduction传统的骨架建模方法通常依赖手工制作的零件或遍历规则，因此表达能力有限，难以推广。新的动态骨架模型。通过自动从数据中学习时空模式，超越了以往方法的局限性。该公式不仅有更强的表达能力，而且有更强的泛化能力。早期使用骨架进行动作识别的方法简单地利用各个时间步的关节坐标形成特征向量，并对其进行时间分析。这些方法的能力是有限的，因为它们没有明确利用关节之间的空间关系，这对理解人类行为至关重要。骨架是以图形的形式出现，而不是2D或3D网格。这使得使用已被证明过的模型（如卷积网络）变得困难。最近，将卷积神经网络（CNN）推广到任意结构图的图神经网络（GCN）受到了越来越多的关注，并成

Introduction传统的骨架建模方法通常依赖手工制作的零件或遍历规则，因此表达能力有限，难以推广。新的动态骨架模型。通过自动从数据中学习时空模式，超越了以往方法的局限性。该公式不仅有更强的表达能力，而且有更强的泛化能力。早期使用骨架进行动作识别的方法简单地利用各个时间步的关节坐标形成特征向量，并对其进行时间分析。这些方法的能力是有限的，因为它们没有明确利用关节之间的空间关系，这对理解人类行为至关重要。骨架是以图形的形式出现，而不是2D或3D网格。这使得使用已被证明过的模型（如卷积网络）变得困难。最近，将卷积神经网络（CNN）推广到任意结构图的图神经网络（GCN）受到了越来越多的关注，并成

文章目录前言一、导入相关库二、加载Cora数据集三、定义GCN网络3.1定义GCN层3.1.1消息传递阶段（message）3.1.2消息聚合阶段（aggregate）3.1.3节点更新阶段（update）3.1.4定义传播过程（propagate）3.1.5定义GCNConv层3.2定义GCN网络四、定义模型五、模型训练六、模型验证七、结果完整代码前言大家好，我是阿光。本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。正在更新中~✨🚨我的项目环境：

文章目录前言一、导入相关库二、加载Cora数据集三、定义GCN网络3.1定义GCN层3.1.1消息传递阶段（message）3.1.2消息聚合阶段（aggregate）3.1.3节点更新阶段（update）3.1.4定义传播过程（propagate）3.1.5定义GCNConv层3.2定义GCN网络四、定义模型五、模型训练六、模型验证七、结果完整代码前言大家好，我是阿光。本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。正在更新中~✨🚨我的项目环境：

神经网络在过去的十年里取得了巨大的成功，然而早期的神经网络变体只能使用规则结构的数据或欧几里得数据(Euclideandata)来实现，而现实世界中的大量数据具有底层的非欧几里得(Non-Euclidean)图结构(Graphstructures)。图神经网络(GraphNeuralNetworks)的出现解决了图数据结构的不规则性(Non-Regularity)问题，而图卷积网络(GCN)就是最基本的图神经网络变体之一。在这篇文章中我们将由浅入深的介绍GCN的实现原理。图-Graph由于图(Graph)的独特功能可以捕获数据之间的结构关系，它被广泛应用于各种领域，从社交网络分析，生物信息学到

神经网络在过去的十年里取得了巨大的成功，然而早期的神经网络变体只能使用规则结构的数据或欧几里得数据(Euclideandata)来实现，而现实世界中的大量数据具有底层的非欧几里得(Non-Euclidean)图结构(Graphstructures)。图神经网络(GraphNeuralNetworks)的出现解决了图数据结构的不规则性(Non-Regularity)问题，而图卷积网络(GCN)就是最基本的图神经网络变体之一。在这篇文章中我们将由浅入深的介绍GCN的实现原理。图-Graph由于图(Graph)的独特功能可以捕获数据之间的结构关系，它被广泛应用于各种领域，从社交网络分析，生物信息学到