修剪后的依赖树上的图卷积用于关系提取 此回购包含PyTorch代码，用于修剪。 本文/代码在修剪的依赖树上引入了图卷积神经网络（GCN），用于关系提取的任务。 还引入了一种特殊的树修剪技术，称为“以路径为中心的修剪”，以从树中消除不相关的信息，同时最大程度地维护相关信息。 与诸如各种基于LSTM的模型之类的序列模型相比，此GCN模型利用依赖结构桥接远程单词，因此提高了远程关系的性能。 与以前的递归模型（如TreeLSTM）相比，此GCN模型在获得更好的性能的同时，也更早地实现了并行化，因此效率更高。 参见下面的模型架构概述： 要求 Python 3（在3.6.5上测试） PyTorch（

本代码参考自https://colab.research.google.com/drive/1mMUKnvM_Byu8wEcJpFSYGnniPPhIOD7N?usp=sharing。

生物信息学Bioinfomatics文章（IF=6.9），Interpretable-ADMET: a web service for ADMET prediction and optimization based on deep neural representation的代码，自己写的

cuda+python+pytorch安装说明

STGCN模型文件 图卷积必备模型文件（已更新），结果比原始有优化 包括三种模型文件：st_gcn.kinetics.pt、st_gcn.ntu-xsub.pt、st_gcn.ntu-xview.pt openpose获取姿态文件，可采用新的姿态估计模型，好的姿态数据对动作识别会有提升 双流法对结果也会有优化，但目前结合的不够理想

基于GCN的节点分类实战数据.zip

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

图网络相关论文和代码（gnn gcn graphsage gat gas dgcn sim-gnn）

GCN开山之作精读，主观翻译和详细公式推导，半监督图节点学习问题 最近在阅读GCN网络的文献《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》，有一些收获，想分享给大家，希望对大家有帮助。我会主观翻译前半部分内容，并把我当时陷入思考的句子进行解释，解释部分用中文中括号标注【】，之后我会向大家详细推导一下各个数学公式和理解。本人学术能力不高，如有错误，还望批评指正。建议具备一些图和深度学习理论基础者拜读。在word中编辑的，因此都是图片，见谅。

图卷积网络用于高光谱图像分类 ， ，，，， 该工具箱中的代码实现了 。 更具体地，其详细如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 D. Hong，L。Gao，J。Yao，B。Zhang，A。Plaza，J。Chanussot。 用于高光谱图像分类的图卷积网络，IEEE Trans。 Geosci。 遥感，2020，DOI：10.1109 / TGRS.2020.3015157。 @article{hong2020graph, title = {Graph Convolutional Networks for Hyperspectral Image Classification}, author = {D. Hong and L. Gao and J. Yao and B. Zhang and A. Plaza and J. Chanusso