图卷积神经网络及其应用，来自中科院计算所沈华伟博士在ICLR 2019顶会上的演讲稿，欢迎大家下载学习。

基于图卷积神经网络的软件定义电力通信网络路由控制策略.pdf

简单和深图卷积网络 该存储库包含“简单和深度图卷积网络”的PyTorch实现。（ ） 依存关系 CUDA 10.1 python 3.6.9 pytorch 1.3.1 网络x 2.1 scikit学习 数据集 data文件夹包含来自三个基准数据集（Cora，Citeseer，Pubmed），而newdata文件夹包含四个数据集（Chameleon，Cornell，德克萨斯州，威斯康星州）。 我们使用与相同的半监督设置，并使用与Geom-GCN相同的全监督设置。 可以从下载PPI。 结果 测试精度总结如下。 数据集 深度 公制 数据集 深度 公制 科拉 64 85.5 湛 8 62.48 引用 32 73.4 玉米 16 76.49 客栈 16 80.3 德州 32 77.84 科拉（满） 64 88.49 威士 16 81.57 引用（完整

我们提出了一种端到端的深度学习框架，它可以从单一色彩图像生成一个三角形网格的三维模型。大量的实验表明，与现有技术相比，我们的方法不仅可以定性的生成具有更好细节的网格模型，而且可以实现更高的三维形态的估计精度。

WordGCN 使用图卷积网络在词嵌入中整合句法和语义信息 WordGCN概述 SynGCN概述：SynGCN使用图卷积网络来利用依赖上下文学习单词嵌入。 对于词汇表中的每个单词，该模型旨在通过基于使用GCN编码的依存关系上下文预测每个单词来学习其表示形式。 请参阅本文的第5节以获取更多详细信息。 依存关系 与TensorFlow 1.x和Python 3.x兼容。 可以使用requirements.txt安装依赖项。 pip3 install -r requirements.txt 安装用于评估学习的嵌入的。 可以从此下载本文中使用的测试和有效数据集拆分。 用提供的文件夹替换原始的~

近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

基于神经网络的SLAM顶会论文

keras==2.1.5 ,tensorflow==1.10，改路径

行业分类-作业装置-一种基于图卷积网络融合多特征输入的网络流量预测方法.7z

matlab如何敲代码GCN_for_EEG 图卷积网络用于4类EEG分类 纯粹的PYTHON穿插！ 启示： 名称 描述 创建了GCN的基础知识！ 为EEG分类创建了糟糕的代码 我做了什么？ Shuyue的工作很棒，但是预处理应该在MATLAb中完成，并不是所有人都可以使用。 所以我穿插了python版本！ 我还在代码中添加了其他类型的GCN，并更改了代码的某些部分 怎么跑？ 下载-并将其放置在01loadData文件夹中（或轻松运行downloaddata.py 运行edfread.py 。 该代码将以64个电极数据+ 64个标签数据结尾。 使用PYTHON 2.7 现在该将上一步的结果复制到02Preprocess中了。 我同时放置了MATLAB和PYTHON，但是我的主要目的是拥有PURE PYTHON环境，因此进入WithPython并创建一个名为data的文件夹，并在其中放置128个.mat文件。 然后运行代码。结果在文件夹pythondata中以.csv文件形式提供 在onEEGcode.py所在的位置创建文件文件夹。 然后在其中复制CSV文件。 运行onEEGcode.p