特征图大小_新手向快速了解图神经网络
这两天稍微看了点图神经网络的东西,稍微做个记录,第一次接触这个名词的推荐可以看一下知乎上一个视频
简单粗暴带你快速理解图神经网络GNN
图神经网络处理的数据一般就是个图,图网络具有节点特征和结构特征,图神经网络的本质提示就是提取特征。
这个特征提取的思路也很make sense,把相邻节点的特征结合起来,这也叫做聚合,结合得到的信息和自身特征进行融合,这就叫更新。所以GNN其实就是不断将相邻节点的信息进行融合的过程。
假设一个图有
除此之外,由于这是一个图,我们还知道节点之间的连接关系,因此可以得到这个图的邻接矩阵
有了原始特征
不同的网络的区别可以体现在映射
可以理解为对该层特征进行加权后通过邻接矩阵进行过滤,再通过relu函数增加点非线性。事实也说明了这样一种形式是可行的,但是有两个需要解决的问题
- 节点聚合得到的特征是相邻节点的特征聚合,不包含节点本身
- 提取出来的特征大小跟图节点的度(可以理解为相邻节点的个数)有关,度大的节点特征较大,这可能会导致梯度消失或爆炸
对于这两个问题自然也有了相应的解决措施:
- 邻接矩阵加入自环:
,其实可以理解为聚合邻居特征是把自己加上去呗
- 度的大小影响特征的大小,那就用度矩阵来归一化一下,
经过改进,得到的映射就是
其中
另外推荐几个不错的参考资料
- THOMAS KIPF的博客
https://tkipf.github.io/graph-convolutional-networks/tkipf.github.io
2. @小小将 写的文章
小小将:2020年,我终于决定入门GCNzhuanlan.zhihu.com
3. 知乎上的高赞评论
如何理解 Graph Convolutional Network(GCN)?www.zhihu.com
特征图大小_新手向快速了解图神经网络相关推荐
- 卷积计算,反卷积计算,特征图大小计算,空洞卷积计算
感受野大小计算.卷积参数量与计算量.空洞卷积计算量与参数量 卷积计算,反卷积计算,特征图大小计算,空洞卷积计算 转自:https://www.jianshu.com/p/09ea4df7a788?ut ...
- 卷积神经网络系列之卷积/池化后特征图大小怎么计算??
1.卷积后的大小: W:矩阵宽,H:矩阵高,F:卷积核宽和高,P:padding(需要填充的0的个数),N:卷积核的个数,S:步长 width:卷积后输出矩阵的宽,height:卷积后输出矩阵的高 w ...
- 【卷积神经网络--卷积/池化后特征图大小计算公式】
[卷积神经网络–卷积/池化后特征图大小计算公式] 参考链接: 卷积神经网络系列之卷积/池化后特征图大小怎么计算?? torch中的Conv2d卷积的输入的Tensor张量是:[batch, chann ...
- group convolution (分组卷积)的计算量详解、卷积计算量特征图大小,池化特征图大小、深度通道deep-wise 卷积
group convolution (分组卷积)的计算量详解.卷积计算量特征图大小,池化特征图大小.深度通道deep-wise 卷积 提示:最近忙着各种提前批的笔试面试,所以没太多空刷题了都,先复盘一 ...
- 特征图注意力_注意力机制之Residual Attetion Network
本文是在阅读完<Residual Attention Network for Image Classification>所做的笔记, 由于本人对注意力机制了解甚浅,笔记当中若有不恰当的地方 ...
- layuiadmin上手好难_新手如何快速上手自媒体赚钱?送你4个好建议!记得收藏
新手如何快速上手自媒体赚钱?送你4个好建议!记得收藏! 很多新手很想做自媒体,但是还不知道怎么开始,因为他们刚接触自媒体,所以不是很了解.这里给自媒体新手朋友们分享一些好的建议,希望可以帮助到大家!作 ...
- 特征图注意力_计算机视觉中的Non-local-Block以及其他注意力机制
Non-local Neural Networksarxiv.org 之前看的一篇论文继续总结一下,本质是一种注意力机制模块,文章相对来说比较老,CVPR2018. 我将从以下几个方面总结一下论文, ...
- 卷积神经网络中特征图大小计算公式总结
W:输入特征图的宽,H:输入特征图的高 K:kernel size卷积核宽和高,P:padding(特征图需要填充的0的个数),S:stride步长 width_out:卷积后输出特征图的宽,heig ...
- 谈谈怎么可以得到显著性图 特征图 featuremap 深度学习的可解释性 卷积神经网络表征可视化研究综述
特征图 显著性图很重要 图 对应的原始图形的数据 然后可以进行显著性图和特征图的显示研究 上面是一个特诊图cost time: 99.35089445114136 Duration: 0.07 sec ...
最新文章
- 深圳一普通中学老师工资单曝光,秒杀程序员,网友:真酸~
- mysql workbench_爬虫实例:玩转mysql(预备篇)
- 用 radial-gradient 实现波浪效果
- 查询系统linux命令,Linux系统下基本的帮助查询命令小结
- 60V降压芯片|60V转5V-12伏POE电源芯片
- 在w ndoWS7中屏幕保护程序,怎么设置Windows 7屏幕保护时间
- [科普文] 搞 Web3 要学习哪些基础知识?
- 听说看了这篇文章就彻底搞懂了什么是OPC(上)
- 解决报错:org/springframework/util/backoff/BackOff
- 软件开发环境SDK安装及注意事项
- 手机USSD网络命令编辑器
- numpy之生成随机数
- 电脑没有声音了怎么恢复?恢复声音的6个方法【图解】
- Linux之VMware中快照功能如何使用
- Struts2访问验证码异常解决OgnlValueStack:64 - ..java.lang.NumberFormatException: For input string: 1494056190
- C++/CLI 托管C++的托管与非托管字符串的相互转换【1】
- 后来居上的KubeSphere ,欲在云原生时代构建Native生态
- oracle 1899年异常,BootStrap时间选择框架出现1899解决办法
- android的最新设计规范,这才是未来Android应用的设计规范
- 【十八掌●武功篇】第八掌:HBase之性能调优