浅谈如何培养孩子的注意力（浅谈GCN）
一：GCN与GNN的区别
GNN指的是图神经网络 ，而GCN指的是图卷积网络 。在本人另一篇文章中详细讲解了GNN的应用背景和工作原理 ，在此不再赘述 ，今天主要讲解GCN 。
有人一听到“卷积 ”就两眼冒金光 ，于是CNN中的卷积操作便涌上脑中 ，但在我看来此卷积非彼卷积
，完全不是一码事 ，只是说GCN也可以做多层罢了 。 。 。如下图：
话不多说 ，下面我将分步对GCN原理进行讲解 。
二：GCN原理
※※先附上GCN的核心计算公式：
接下来 ，我将带领大家分步骤理解该公式 。Step1: 求图模型的邻接矩阵和度矩阵
对于传统的GNN ，一个图网络需要节点特征矩阵和邻接矩阵的输入 ，这样才能进行节点的聚合操作 。但是GCN中还需要引入一个度矩阵
，这个矩阵用来表示一个节点和多少个节点相关联 ，对于后面的步骤有巨大的作用 ，如图所示：
Step2：进行特征计算
求得矩阵
A
,
D
,
X
A,D,X
A,D,X后 ，进行特征的计算 ，来聚合邻居节点的信息 。GCN中的聚合方式和传统GNN中的方式有较大差异 ，这里分解为几个细节点： ① 邻接矩阵的改变邻接矩阵
A
A
A 没有考虑自身的加权 ，所以GCN中的邻接矩阵实际上等于A
A
A ＋单位对角矩阵I
I
I。
② 度矩阵的改变首先对度矩阵的行和列进行了归一化（具体格式看下图） ，为什么这么做呢？行归一化系数代表着节点自身的一个变化程度 ，关联的节点越少 ，系数越大 ，越容易随波主流 ，更易受别人影响 。而列归一化系数 ，代表关联节点对当前节点的影响程度 ，关系网越复杂的节点 ，它对其他节点的作用就越小 ，比如我认识一个亿万富翁 ，但富翁认识很多人 ，我们也就是一面之缘 ，那么能说因为我和他认识 ，我就是个百万富翁了嘛 ，显然有点草率了 。通过行和列归一化系数 ，相互制衡 ，秒不可言 。
同时 ，归一化的系数还开了根号 ，就是因为考虑到归一化后的行和列系数都加权给了节点特征 ，均衡一点 。
③ Attention机制在部分GCN中 ，还会引入注意力机制 ，根据关联节点的重要性来分配权重 ，最后乘到邻接矩阵上 。传统计算权重的方法有两种 ，第一种方法 ，两节点特征向量直接相乘 ，关联节点都算完后 ，经过softmax算出权重值 。还有第二种方法
，就是将本节点和关联节点拼接成一个特征向量后 ，传入FC中 ，最后经过softmax算出权重值 。如图所示：
Step3：训练参数
w
w
w 的加权
进行完聚合操作后 ，新的节点特征向量再乘上
w
w
w，往往会改变一下特征的维度 ，具体见下图：
Step 4:层数的迭代
接下来重复step1~3 ，每重复一次算一层 ，GCN正常只需要3–5层即可 ，这里就和CNN 、RNN很不一样 。因为节点每更新一次 ，感受野就变大一些 ，如果网络太深 ，那么每个节点就会受无关节点的影响 ，效果反而下降 。
正如六度分割空间理论——“只需6个人 ，你就可以认识全世界
” ，见下图所示：
三：总结
可见 ，GCN中加入了许多不同于传统GNN的新元素 ，达到的效果也是很好的 。github上也有相关的GCN工具包 ，安装好后便可直接使用 ，附上链接工具包地址
至此我对GCN的基本概念和工作原理 ，进行了简单讲解 ，希望对大家有所帮助 ，有不懂的地方或者建议 ，欢迎大家在下方留言评论 。
我是努力在CV泥潭中摸爬滚打的江南咸鱼 ，我们一起努力 ，不留遗憾！
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！