第3章 卷積神經網絡 卷積神經網絡CNN是目前應用最廣泛的模型之一，具有局部連接、權值共享等特點，是一種深層前饋神經網絡。 3.1 卷積與池化 卷積與池化是CNN中的兩個核心操作。 3.1.1 信號處理中的卷積 題外話：因為這部分的核心知識應該是屬於《信號與系統》這門課程 ...

前面廢點話： 終於！來到了GNN最相關的內容！前面四章來說都是一些預備知識，或者說是介紹性的認識的東西，其實和GNN的關系不是特別大。但從這一章開始一上來就是GNN最核心的東西：圖信號處理。這部分其實非常關鍵，但大部分人學的時候可能都會忽視這一點，認為自己可以直接進入GCN的部分，這是 ...

第4章 表示學習 在第2章的時候提到了機器學習的第一步就是提取特征。而表示學習就是自動地從數據中學習特征，並直接用於后續的任務。 4.1 表示學習 4.1.1 表示學習的意義 表示學習要回答3個問題： 如何判斷一個表示比另一個表示更好？ 如何挖掘這些表示？ 使用什么樣的目標 ...

第6章 GCN的性質 第5章最后講到GCN結束的有些匆忙，作為GNN最經典的模型，其有很多性質需要我們去理解。 6.1 GCN與CNN的區別與聯系 CNN卷積卷的是矩陣某個區域內的值，圖卷積在空域視角下卷的是節點的鄰居的值，由此粗略來看二者都是在聚合鄰域的信息。 再具體來看一些區別與聯系 ...

GCN代碼實戰 書中5.6節的GCN代碼實戰做的是最經典Cora數據集上的分類，恰當又不恰當的類比Cora之於GNN就相當於MNIST之於機器學習。 有關Cora的介紹網上一搜一大把我就不贅述了，這里說一下Cora這個數據集對應的圖是怎么樣的。 Cora有2708篇論文，之間有引用關系 ...

卷積神經網絡(CNN)是一種具有局部連接、權重共享等特性的深層前饋神經網絡。 卷積神經網絡最早主要是用來處理圖像信息。在用全連接前饋網絡來處理圖像時，會存在以下兩個問題： （1）參數太多：隨着隱藏層神經元數量的增多，參數的規模也會急劇增加。這會導致整個神經網絡的訓練效率非常低，也很容易出現 ...

第一章 使用神經網絡識別手寫數字 ---1.1 感知器 感知器是一種人工神經元.它接受幾個二進制輸出並產生一個二進制輸入.如果引入權重和閾值,那么感知器的參數可以表示為:,如果再引入偏置(表示激活感知器有多容易的估算),那么規則可以簡潔表示為: 感知器是單輸出的,但這個單輸出 ...

-->文章提綱 全書總評 讀書筆記 C1.初識神經網絡 C2.神經網絡是如何學習的 C3.有監督學習（運用感知機） C4.無監督學習（自組織映射 ...