【Pytorch神经网络理论篇】 26 基于空间域的图卷积GCNs（ConvGNNs）：定点域+谱域+图卷积的操作步骤同学你好！本文章于2021年末编写，获得广泛的好评！故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，Pytorch深度学习·理论篇(2023版)目录地址为：1 GCN

75 阅读 0 评论 50 点赞

我是靠谱客的博主傻傻小蚂蚁，最近开发中收集的这篇文章主要介绍【Pytorch神经网络理论篇】 26 基于空间域的图卷积GCNs（ConvGNNs）：定点域+谱域+图卷积的操作步骤同学你好！本文章于2021年末编写，获得广泛的好评！故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，Pytorch深度学习·理论篇(2023版)目录地址为：1 GCN，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

同学你好！本文章于2021年末编写，获得广泛的好评！

故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，

Pytorch深度学习·理论篇(2023版)目录地址为：

CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！https://v9999.blog.csdn.net/article/details/127587345欢迎大家订阅(2023版)理论篇

以下为2021版原文~~~~

图卷积网络（Graph Convolutional Network，GCN)是一种能对图数据进行深度学习的方法。图卷积中的“图”是指数学（图论）中用顶点和边建立的有相关联系的拓扑图，而积指的是“离散卷积”，其本质就是一种加权求和，加权系数就是卷积核的权重系数。

图结构数据是具有无限维的一种不规则数据，每一个顶点周围的结构可能都是独一无二的，没有平移不变性使得传统的CNN、PNN无法在上面工作。

1 GCN

如果说CNN是图像的特征提取器，那么GCN便是图数据的特征提取器。

CNN可以直接对矩阵数据进行操作，而GCN操作方式有两种：谱域和顶点域。

1.1 基于谱域的图处理

谱域是谱图论中的术语。谱图论源于天文学，在天体观测中，可通过观察光谱的方式来观察距离遥远的天体。同样，图谱也是描述图的重要工具。

谱图论研究如何通过几个容易计算的定量来描述图的性质。通常的方法是将图结构数据编码成一个矩阵，然后计算矩阵的特征值。这个特征值也称为图的谱。被编码后的矩阵可以理解成图的谱域。

谱是方阵特有的性质，对于任意非欧氏空间数据，必须先通过计算其定量的描述生成方阵，才可以进一步求得谱。

GCN使用图结构中的度矩阵和邻接矩阵来表示图的谱域，这就是基于谱域实现。

GCN对矩阵的拉普拉斯变换，则是对图结构提取特征（谱）的一种方法。

1.2 基于定点域/空间域的图处理

指由图的本身结构所形成的空间，直接按照图的结构，根据相邻顶点间的关系以及每个顶点自己的属性，逐个顶点地进行计算。

1.3 基于顶点域的图卷积

基于顶点域的图卷积处理会比谱域的方式更加直观，也容易理解。

1.3.1 图卷积公式

1.3.2 图卷积的操作步骤（从顶点的角度）

图卷积的操作就是在整个图上对每个顶点都按照上式（10-1)的描述执行一遍。从顶点的角度来看，主要可以分成以下3个步骤：

1、发射（send)：每一个顶点将自身的特征信息经过变换后发送给邻居顶点。这一步是对顶点的特征信息进行抽取变换，如图10-2所示。

2、接收（receive）：每个顶点将邻居顶点的特征信息聚合。这一步是对顶点的局部结构信息进行融合，如图10-3所示。

3、变换（transform）：将前面的信息聚合之后进行非线性变换，增加模型的表达能力，如图10-4所示。

使用GCN从图数据中提取的特征可以用于对图数据执行多种任务，如顶点分类、图分类（graph classification)和边预测（Iinkprediction)，还可以顺便得到图的垂入表示。

1.3.4 图卷积的特性

局部参数共享：算子是适用于每个顶点（圆圈代表算子）的，处处共享。
感受域与层数成正比：最开始的时候，每个顶点包含直接邻居的信息，在计算第二层时，就能把邻居顶点的信息包含进来，这样参与运算的信息就更多、更充分。层数受域就更广，参与运算的信息就更多（特征一层层地抽取，每多一层就会更抽象、更高级)。