目录一、CNN和GCN的关系二、“图”的预备知识三、图卷积网络（GCN）四、针对于高光谱图像分类的网络优化五、频域的图卷积神经网络 最近看到一篇引用量非常高的文章，是用图卷积网络处理高光谱图像分类任务，于去年7月发布，到现在已经有300+的引用量了，这对于高光谱分类领域来讲是一个非常快也是非常高的数据。接触图卷积神经网络后发现绝大部分资料都在尝试以一种数学推理的方式讲解中间的公式部分，这对于整体理解、把握、使用这个网络造成一定障碍，在阅读了相关资料后，尝试从更宏观的角度去认识这个网络，之后再慢慢加入一些数学内容，以此来力求顺畅的了解和学习这个网络。一、CNN和GCN的关系 对于传统
目录一、CNN和GCN的关系二、“图”的预备知识三、图卷积网络（GCN）四、针对于高光谱图像分类的网络优化五、频域的图卷积神经网络 最近看到一篇引用量非常高的文章，是用图卷积网络处理高光谱图像分类任务，于去年7月发布，到现在已经有300+的引用量了，这对于高光谱分类领域来讲是一个非常快也是非常高的数据。接触图卷积神经网络后发现绝大部分资料都在尝试以一种数学推理的方式讲解中间的公式部分，这对于整体理解、把握、使用这个网络造成一定障碍，在阅读了相关资料后，尝试从更宏观的角度去认识这个网络，之后再慢慢加入一些数学内容，以此来力求顺畅的了解和学习这个网络。一、CNN和GCN的关系 对于传统
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。
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
图神经网络（GNN）目前的主流实现方式就是节点之间的信息汇聚，也就是类似于卷积网络的邻域加权和，比如图卷积网络（GCN）、图注意力网络（GAT）等。下面根据GCN的实现原理使用Pytorch张量，和调用torch_geometric包，分别对Cora数据集进行节点分类实验。 Cora是关于科学文献之间引用关系的图结构数据集。数据集包含一个图，图中包括2708篇文献（节点）和10556个引用关系（边）。其中每个节点都有一个1433维的特征向量，即文献内容的嵌入向量。文献被分为七个类别：计算机科学、物理学等。GCN计算流程 对于某个GCN层，假设输入图的节点特征为$X\inR^{|V|\t
图神经网络（GNN）目前的主流实现方式就是节点之间的信息汇聚，也就是类似于卷积网络的邻域加权和，比如图卷积网络（GCN）、图注意力网络（GAT）等。下面根据GCN的实现原理使用Pytorch张量，和调用torch_geometric包，分别对Cora数据集进行节点分类实验。 Cora是关于科学文献之间引用关系的图结构数据集。数据集包含一个图，图中包括2708篇文献（节点）和10556个引用关系（边）。其中每个节点都有一个1433维的特征向量，即文献内容的嵌入向量。文献被分为七个类别：计算机科学、物理学等。GCN计算流程 对于某个GCN层，假设输入图的节点特征为$X\inR^{|V|\t
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
