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。

W_1 = np.random.normal( 
    loc=0, scale=1, size=(zkc.number_of_nodes(), 4)) 
W_2 = np.random.normal( 
    loc=0, size=(W_1.shape[1], 2)) 

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。

def gcn_layer(A_hat, D_hat, X, W): 
    return relu(D_hat**-1 * A_hat * X * W) 
H_1 = gcn_layer(A_hat, D_hat, I, W_1) 
H_2 = gcn_layer(A_hat, D_hat, H_1, W_2) 
output = H_2 

我们进一步抽取出特性表征。

feature_representations = { 
    node: np.array(output)[node]  
    for node in zkc.nodes()} 

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

• Blog post on graph convolutional networks by Thomas Kipf.
• Paper called Semi-Supervised Classification with Graph Convolutional Networks by Thomas Kipf and Max Welling.

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】

1. 神经收集的机密之优化器的妙用
2. 嵌入式中的人工神经收集
3. 不行使先验常识与伟大实习计策，从新实习二值神经收集！
4. 手把手 | 神经收集的菜鸟入门秘笈
5. 这种有序神经元，像你熟知的轮回神经收集吗？

（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!