图卷积神经网络（GCN）

程序员文章站 2024-03-25 09:26:34

...

一、前言

深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。我们做图像识别，对象是图片，是一个二维的结构，于是人们发明了CNN这种神奇的模型来提取图片的特征。CNN的核心在于它的kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享。这就是CNN的精髓所在。再回忆一下RNN系列，它的对象是自然语言这样的序列信息，是一个一维的结构，RNN就是专门针对这些序列的结构而设计的，通过各种门的操作，使得序列前后的信息互相影响，从而很好地捕捉序列的特征。

图卷积网络是把CNN拓展到非欧几里德数据。我们知道卷积神经网络之所以效果非常好，是因为利用了数据的局部结构特性（locality），所以在GCN里必须考虑的问题是如何利用数据的局部性。根据局部性不同，可以分成两类方法：（1）频域角度（2）空域角度。以空域角度为例子，直观地说，我们需要解决两个问题：其一是CNN里，神经元除了相邻之外还具有空间位置关系。而图里面没有空间位置关系，本质上缺少区分不同相邻节点的能力。其二是图里，每个节点的相邻节点数目不固定，导致无法固定卷积核的大小，从而无法共享参数。gcn设计了一些机制来解决这些问题。

二、GCN的原理

参考文章：https://blog.csdn.net/chensi1995/article/details/77232019

三、GCN源码分析

源代码 github：https://github.com/tkipf/gcn

源码剖析：https://www.jianshu.com/p/ad528c40a08f

GCN+AE代码逐行学习】参考资料记录:https://blog.csdn.net/qq_41727666/article/details/85334984

Keras版GCN源码解析:https://blog.csdn.net/tszupup/article/details/89004637

├── gcn
│   ├── data          //图数据
│   │   ├── ind.citeseer.allx
│   │   ├── ind.citeseer.ally
│   │   ├── ind.citeseer.graph
│   │   ├── ind.citeseer.test.index
│   │   ├── ind.citeseer.tx
│   │   ├── ind.citeseer.ty
│   │   ├── ind.citeseer.x
│   │   ├── ind.citeseer.y
│   │   ├── ind.cora.allx
│   │   ├── ind.cora.ally
│   │   ├── ind.cora.graph
│   │   ├── ind.cora.test.index
│   │   ├── ind.cora.tx
│   │   ├── ind.cora.ty
│   │   ├── ind.cora.x
│   │   ├── ind.cora.y
│   │   ├── ind.pubmed.allx
│   │   ├── ind.pubmed.ally
│   │   ├── ind.pubmed.graph
│   │   ├── ind.pubmed.test.index
│   │   ├── ind.pubmed.tx
│   │   ├── ind.pubmed.ty
│   │   ├── ind.pubmed.x
│   │   └── ind.pubmed.y
│   ├── __init__.py
│   ├── inits.py    //初始化的公用函数
│   ├── layers.py   //GCN层定义
│   ├── metrics.py  //评测指标的计算
│   ├── models.py   //模型结构定义
│   ├── train.py    //训练
│   └── utils.py    //工具函数的定义
├── LICENCE
├── README.md
├── requirements.txt
└── setup.py