本文中有两个gif图需要将文件使用html的方式打开才可以看到，主要介绍了本人对图卷积网络的形象化的理解，希望能够帮助到大家共同努力，谢谢！

澳新网 ASGCN -为SPECT小号pecificģ拍摄和ÇonvolutionalÑetwork 论文的代码和预处理数据集，标题为“” ，，和。 更新 ：我介绍了一个新的模型，该模型包含在有向依赖关系树上的双向图卷积网络。 2020年10月5日：由于下载时字向量已损坏（例如，Gloves.840B.300d.txt通常太大），许多人可能会遇到。 因此，我们在rest14数据集中发布了经过的单词嵌入，作为腌制的文件以及供您验证可重复性。 要求 Python 3.6 PyTorch 1.0.0 SpaCy 2.0.18 numpy的1.15.4 用法 使用以下命令安装软件包和语言模型 pip install spacy 和 python -m spacy download en 生成图形数据 python dependency_graph.py 使用此链接下载经过预训练的

图卷积网络 | PyTorch实现图卷积网络（GCN、GAT、Chebnet）的交通流量预测 > 交通流量预测。图卷积网络（GCN、GAT、Chebnet）的实现 用PyTorch实现 > > 要求 > > - Pytorch > > - Numpy > > - Pandas > > - Matplotlib > > 数据集实例： > > 这些数据集由加州交通局性能测量系统（PEMS-04）收集。 > > 数量：307个检测器 > 特点:流量、占用、速度。 > > 探测数据分析。 > > 1.有三个特征:流量、占有率和速度。首先，我们对数据分布进行可视化分析 > > 2.运行代码：python data_view.py > > 3.每个节点（检测器）都有三个特征，但两个特征的数据分布基本上是静止的，所以我们只取第一维特征。 > > 读取数据集。 > > 在traffic_dataset.py文件中，get_adjacent_matrix和get_flow_data函数是用来读取相邻矩阵和流量数据。 > > 模型训练。 > > 在traffic_predi

在图卷积网络(GCN)的帮助下，提出了一个更有效的搜索框架，以在有限的尝试下识别尽可能多的关键级联故障。通过离线训练一个GCN可以很好地捕捉级联故障的复杂机理。借助训练好的GCN模型，可以显著加快对临界级联故障的搜索。同时，通过分层相关传播算法实现了GCN模型的可解释性。结果表明，GCN导引的方法不仅可以加速临界级联故障的搜索，而且可以揭示潜在级联故障的预测原因。

用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集）

下采样matlab代码快速人类动作识别 介绍 该存储库保存了该项目的代码库和数据集： 识别人类快速动作的时空图卷积网络 先决条件 Python3（> 3.5） 资料准备 我们对NTU-RGB + D的3D骨骼数据进行了实验。 预处理的数据可以从下载。 下载数据后，将“ NTU-RGB-D”文件夹解压缩到路径中。 下采样 为了创建快速动作的数据集，我们对NTU-RGB + D数据集进行下采样。 下采样是通过拍摄一帧然后保留另一帧，将帧数减半来完成的。 运行“ downsample.py”以对所需数据进行下采样。 数据缩减（可选） 我们提供“ create_small_data.py”，通过从所有60个动作中选择多个动作来从原始数据中创建较小的数据。 可以根据代码上的标签在代码中选择所需的操作。 可视化 我们在MATLAB上提供NTU-RGB + D的3D骨骼数据的可视化。 可以在“可视化”文件夹中找到更多详细信息。 训练 可以通过运行“ main.py”来训练模型。 结果将显示在“结果”文件夹中。 如果使用较小的数据，则需要对代码进行一些修改，这些修改在代码中有详细说明。 结果 此处显示

Three-Dimensionally Embedded Graph Convolutional Network (3DGCN) for Molecule Interpretation

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。

在过去的十年中，神经网络取得了巨大的成功。但是，只能使用常规或欧几里得数据来实现神经网络的早期变体，而现实世界中的许多数据都具有非欧几里得的底层图形结构。数据结构的不规则性导致了图神经网络的最新发展。在过去的几年中，正在开发图神经网络的各种变体，其中之一就是图卷积网络（GCN）。GCN也被视为基本的图神经网络变体之一。 在本文中，我们将更深入地研究由Thomas Kipf和Max Welling开发的图卷积网络。我还将在使用NetworkX构建第一个图形时给出一些非常基本的示例。到本文结尾，我希望我们对图卷积网络内部的机制有更深入的了解。

PointNet是三维点云分类中具有代表性的研究成果,该模型开创性地利用深度学习模型对点云进行分类,取得了较好的效果。但是PointNet模型只考虑点云的全局特征而忽略每个点的局部信息,为弥补这个缺陷,提出基于图卷积网络的点云分类模型。在PointNet模型中插入一个kNN graph层,通过在点云空间构造k近邻图,利用图结构有效地获取点云的局部信息,从而提高整体点云分类准确率。分类实验在ModelNet40数据集上进行,对比不同近邻值k对输出精度的影响,结果表明在k取20时,分类准确率最高,达到了93.2%,比PointNet高4.0%。