#一天一个AI知识点# 什么是图卷积网络？

图形卷积网络（简称GCN）已经存在了几年（出生于2016年），但在过去两年中一直很受欢迎。什么是图形卷积网络？有什么用？让我们了解它：

名词的解释

图形卷积网络（简称GCN），由Thomas KPIF在2017年与图形卷积网络的纸张半监督分类中提出，这是一个非常强大，并应用深度学习图像中通常使用的卷积神经网络来绘制数据。更正式的是，图形卷积网络（GCN）是在图形数据上运行的神经网络。

有什么用？

深度学习一直以几种经典模型为主，例如CNN，RNN等。他们在CV和NLP领域都取得了出色的成绩。那么这个GCN是如何出现的呢？这是因为我们发现了许多问题，CNN和RNN无法解决或效果差 - 图形结构数据。

回想一下，当我们进行图像识别时，对象是图片，它是二维结构，因此人们发明了像CNN这样的神奇模型来提取图片的特征。 CNN的核心在于其内核，这是一个小窗口，可以在图片上翻译并通过卷积提取特征。这里的钥匙在于图像结构的翻译不变性：无论小窗口何处移动到图像，其内部结构都是完全相同的，因此CNN可以实现参数共享。这是CNN的本质。

回顾RNN系列，其对象是序列信息，例如自然语言，这是一种一维结构。 RNN专为这些序列的结构而设计。通过各种门的操作，序列之前和之后的信息相互影响。 ，从而很好地捕获了序列的特征。

上面提到的图片或语言都是欧洲空间数据，因此有一个维度的概念。欧洲空间数据的特征是其结构非常规。但是在现实生活中，实际上存在许多不规则的数据结构，通常是图形结构或拓扑结构，例如社交网络，化学分子结构，知识图等。甚至语言实际上也很复杂。树结构也是图形结构。就像图片一样，当识别目标时，我们实际上是在二维图片上的一些关键点上kaiyun全站登录网页入口，这些点也形成了图形结构。

图的结构通常非常不规则，可以被视为无限维数据，因此没有转化不变。每个节点的周围结构可能是唯一的，并且该结构的数据将立即使传统的CNN和RNN失败。自上个世纪以来，许多学者一直在研究如何处理这种类型的数据。这里出现了许多方法，例如GNN，DeepWalk，Node2Vec等。GCN只是其中之一。在这里，我们只谈论GCN，如果您有时间，我们将在以后讨论其他人。

GCN，图形卷积神经网络实际上与CNN相同，是功能提取器，除了其对象是图形数据。 GCN具有精确设计的方法来从图形数据中提取特征开yun体育app官网网页登录入口，因此我们可以使用这些功能执行节点分类，图形分类，图形数据的边缘预测，并且您可以通过途中获得图形嵌入式表示（图形嵌入）。这表明它被广泛使用。

GCN是什么样的

GCN的核心部分如下：

假设我们手头有大量的图形数据，包括n个节点（节点），每个节点都有其自己的特征。让我们设置这些节点的特征以形成N×D矩阵X，然后每个节点之间的关系也形成一个×N维矩阵Akaiyun全站网页版登录，也称为邻接矩阵。 X和A是我们模型的输入。

GCN也是一个神经网络层，其层在层之间传播的是：

在此公式中：

awaw = a+i，我是单位矩阵

波D是波A的度矩阵，公式为

H是每一层的特征。对于输入层，H为x

σ是非线性激活函数

我们不必考虑为什么要设计这样的公式。我们现在只需要知道：可以预先计算此部分，因为D波是根据A计算的，而A是我们的输入之一。

因此，对于那些不需要了解数学原理而只想应用GCN来解决实际问题的人，您只需要知道：哦，此GCN设计了一个很棒的公式，并且使用此公式可以很好地提取图形。特征。这已经足够了。毕竟，并非一切都需要了解基于需求确定的内部原则。

为了直观的理解，我们使用论文中的图片：

上图中的GCN输入一个图，每个节点的特征从X变为Z，通过几层GCN变化。但是，无论中间有多少层，节点之间的连接关系，即a。

假设我们构建了两层GCN，并且激活函数分别使用Relu和SoftMax，整体正向传播的公式为：

最后，我们计算所有标记节点的交叉熵损失函数：

您可以训练节点分类模型。由于甚至很少有节点具有标签，因此作者将其方法称为半监督分类。

当然，您还可以使用此方法进行图形分类并链接预测，只需更改损失函数即可。

怎么样？阅读后，您对GCN有一点了解吗？