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！

摘要过去几年，卷积神经网络因其强大的建模能力引起广泛关注，在自然语言处理、图像识别等领域成功应用。然而，传统的卷积神经网络只能处理欧氏空间数据，而现实生活中的许

data（近期用到的“图卷积学习”方面的数据集），保存记录。

这是关于 图卷积GCN模型学习的资料，欢迎下载学习。

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

应用图神经网络而不是视觉卷积的优势，一个带有图层的类似U-Net的模型。进一步将现有的图形操作专业化，使其对地理拓扑结构敏感，并将池化和上采样操作概括为适用于图形。 （完整源码和数据）

最全的图卷积神经网络讲解+图卷积神经网络的发展+GCN的应用领域+GCN的种类+GCN的公式推导，简单来说，这篇论文包含了图卷积神经网络的各个模块，十分的详细！

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

PyTorch中的RAHGCN 1.概述 该存储库是PyTorch中通过强化学习（RAHGCN）实现的自适应双曲图卷积神经网络。 下游任务包括： 链接预测（ lp ） 节点分类（ nc ） 2.设定 2.1下载代码 首先从Github下载源代码。 git clone git@github.com:fuxingcheng/RHGNN.git" cd rahgcn 2.2启动虚拟环境 我们建议在虚拟环境中设置我们的项目。 您可以选择conda或virtualenv来创建和管理虚拟环境。 如果您尚未安装conda，请按照的说明进行安装。 如果尚未安装virtualenv，则只需运行pip3 install virtualenv 。 对于conda ： conda env create -f environment.yml python=3.6 source activate ra

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。