图卷积网络到底怎么做,这是一份极简的Numpy实现
接下来,我们将随机初始化权重。
接着,我们会堆叠 GCN 层。这里,我们只行使单元矩阵作为特性表征,即每个节点被暗示为一个 one-hot 编码的种别变量。
我们进一步抽取出特性表征。
你看,这样的特性表征可以很好地将 Zachary 白手道俱乐部的两个社区分别隔来。至此,我们乃至都没有开始实习模子! Zachary 白手道俱乐部图收集中节点的特性表征 我们应该留意到,在该示例中因为 ReLU 函数的浸染,在 x 轴或 y 轴上随机初始化的权重很也许为 0,因此必要重复举办屡次随机初始化才气天生上面的图。 结语 本文中对图卷积收集举办了居高临下的先容,并声名白 GCN 中每一层节点的特性表征是怎样基于其相邻节点的聚合构建的。读者可以从中相识到怎样行使 numpy 构建这些收集,以及它们的强盛:纵然是随机初始化的 GCN 也可以将 Zachary 白手道俱乐部收集中的社区分分开来。 参考文献
原文链接: https://towardsdatascience.com/how-to-do-deep-learning-on-graphs-with-graph-convolutional-networks-7d2250723780 【本文是51CTO专栏机构“呆板之心”的原创译文,微信公家号“呆板之心( id: almosthuman2014)”】 戳这里,看该作者更多好文 【编辑保举】
点赞 0 (编辑:河北网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |