ریاضیات

 منتشر شده در 2019-05-18 به روز شده در 2020-02-28 طبقه بندی در MachineLearning ، شبکه عصبی گراف زمان مطالعه: 33
 تعداد شخصیت های این کتاب: 26k زمان مطالعه 24 دقیقه ≈

حدود یک ماه پیش ، معلم من جهت شبکه عصبی نمودار را به من اختصاص داد. مطالعه اول تقریباً به پایان رسیده است و من در مورد جهت تحقیق خود تصمیم نگرفته ام. من فقط می دانم که می خواهم فناوری را انجام دهم ، اما در مورد فن آوری خاص هیچ تصوری ندارم. از آنجا که معلم این جهت را تعیین کرده است ، و همچنین احساس می کنم شبکه های عصبی گراف دارای چشم انداز توسعه زیادی در زمینه سیستم های توصیه ، نیمه نظارت شده هستند چیزهای عمیقی در این زمینه وجود ندارد. من شخصاً احساس می کنم دانشجویان تحصیلات تکمیلی مانند دکترا نیستند ، آنها چندان خاص نیستند و با طیف وسیعی از تماس ها ارتباط دارند ، نکته اصلی در ایجاد سیستم دانش و تفکر خودشان است.

یک هفته است که به شبکه عصبی گراف نگاه کردم ، و هنوز هم نمی دانم چرا اینقدر ابری است ، اما به قول معروف: "این بی فایده است." در راه تحقیق در مورد شبکه های عصبی گراف ، من تخصص خاصی دارم در تجزیه و تحلیل فوریه ، پردازش سیگنال دیجیتال و عملیات چرخش. درک عمیق تری پیدا کرد.

نیازی به ذکر این موارد نیست ، بیایید شبکه عصبی نمودار را هنگام جمع بندی (کپی) بیاموزیم. محتوای اصلی زیر از اینترنت است ، بعلاوه برخی از تفکرات خودم.

همگرایی در CNN

قبل از درک GCN ، باید درک واضحی از کانولوشن گسسته (یا کانولوشن در CNN) داشته باشید:

ما قبلاً بحث کردیم: ماهیت کانولوشن گسسته یک جمع وزنی است ؛ از دامنه فرکانس ، ماهیت استخراج ویژگیهای مختلف "باند فرکانس" تصویر است.

بنابراین ضرایب هسته کانولوشن چگونه تعیین می شوند؟ این است که مقدار اولیه را تصادفی کرده و سپس از طریق نزول شیب برگشت تکثیر با توجه به تابع خطا بهینه کنید. این یک نکته کلیدی است. پارامترهای هسته کانولوشن را فقط می توان از طریق بهینه سازی برای دستیابی به عملکرد استخراج ویژگی بدست آورد. بخش عمده ای از کارهای نظری GCN معرفی پارامترهای کانولوشن است که می تواند بهینه شود.

منبع

https://zdaiot.com/MachineLearning/%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/%E5%9B%BE%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/