GCN源码分析
发布时间
阅读量：
阅读量
图学习
需要特别指出的是，我们所采用的GCN方法其核心在于对图结构进行学习，进而通过训练得到每个节点对应的embedding表示，并在后续的相关任务中加以应用，如边预测、节点分类或节点预测等。实际上，我们所使用的embedding值即为模型在最后一次训练过程中所得到的x参数。
layer.py
import math
import torch
from torch.nn.parameter import Parameter # 可以用parameter()函数
from torch.nn.modules.module import Module # 定义网络层的模块
'''
parameter()将一个不可训练的类型Tensor转换成可以
训练的类型parameter并将其绑定到这个module里面，
所以经过类型转换这个就变成了模型的一部分，成为了
模型中根据训练可以改动的参数了。使用这个函数的目
的也是想让某些变量在学习的过程中不断的修改其值以
达到最优化。
'''
class GraphConvolution(Module):
'''
简单的GCN层，类似于https://arxiv全部评论 (0)
还没有任何评论哟~