当然，这只是一种node的排序和选择的办法，其存在的问题也是异常明显的。Paper并没有在此次的工作傍边做具体的解释。

2. 找到Node的范畴Neighborhood Assembly

接下来对选出来的每一个node肯定一个感知野receptive filed以便进行卷积操作。然则，在这之前，起首找到每一个node的邻域区域（neighborhood filed），然后再大年夜傍边肯定感知野傍边的nodes。假设感知野的大年夜小为k，那么对于每一个Node很明显都邑存在两种情况：邻域nodes不敷k个，或者是邻域点多了。这个将鄙人面的┞仿节进行讲解。

如图选出的是6个nodes，对于每一个node，起首找到其直接相邻的nodes（被称作是1-neighborhood），如不雅还不敷再增长借居相邻的nodes。那么对于1-neighborhood就已经足够的情况，先全部放在候选的区域傍边，鄙人一步傍边经由过程规范化来做最终的选择。

3. 图规范化过程Graph Normalization

假设上一步Neighborhood Assemble过程傍边一个node获得一个范畴nodes总共有N个。那么N的个数可能和k不相等的。是以，normalize的过程就是要对他们打上排序标签进行选择，并且按照该次序映射到向量傍边。

如不雅这个node的邻域nodes的个数不足的话，直接全部选上，不敷补上哑节点（dummy nodes），但照样须要排序；如不雅数量N跨越则须要按着排序截断后面的节点。如图7所示表示大年夜选node到求解出receptive filed的┞符个过程。Normalize进行排序之后就可以或许映射到一个vector傍边了。是以，这一步最重要的是对nodes进行排序。

如图8所示，表示对随便率性一?node求解它的receptive filed的过程。这里的卷积核的大年夜小为4，是以最终要选出来4个node，包含这个node本身。是以，须要给这些nodes打上标签（labeling）。当然存在很多的方法，那么如何的打标签方法擦?鲱好的呢？如图7所示，其实大年夜这7个nodes傍边选出4个nodes会形成一个含有4个nodes的graph的集合。作者认为：在某种标签下，随机大年夜集合傍边选择两个图，计算他们在vector空间的图的距离和在graph空间图的距离的差别的期望，如不雅这个期望越小那么就注解这个标签越好！具体的表示如下：

获得最好的标签之后，就可以或许按着次序将node映射到一个有序的vector傍边，也就获得了这个node的receptive field，如图最右边所示。

4. 卷积收集构造Convolutional Architecture

本文转自雷锋网，如需转载请至雷锋网官网申请授权。

起首最底层的灰色块为收集的输入，每一个块表示的是一个node的感知野（receptive field）区域，也是前面求解获得的4个nodes。个中an表示的是每一个node的数据中的一个维度（node如不雅是彩色图像那就是3维；如不雅是文字，可能是一个词向量……这里注解数据的维度为n）。粉色的表示卷积核，核的大年夜小为4，然则宽度要和数据维度一样。是以，和每一个node卷季后获得一个值。卷积的步长（stride）为4，注解每一次卷积1个node，stride=4下一次刚好跨到下一?node。（备注：paper 中Figure1 傍边，（a）傍边的stride=1，然则转化为（b）傍边的构造后stride=9）。卷积核的个数为M，注解卷积后获得的特点图的通道数为M，是以最终获得的结不雅为V1……VM，也就是图的特点表示。有了它便可以进行分类或者是回归的义务了。

基本问题：

图的根本概念：重要有顶点和边构成，存在一个邻居矩阵A，如不雅对个中的nodes进行特点表示（Feat）的话如下右图。

【编辑推荐】

1. FunDapter—给ListView添加各类构造化的数据。
    2/3   首页 上一页 1 2 3 下一页 尾页
   
   

   　　推荐阅读

   　　智慧城市打造一站式平台 沪市民“刷脸”可享受一百项公共服务

   今天上午举办的2017年上海市当局实事项目——面向市平易近的一站式“互联网+”公共办事平台扶植推动大年夜会泄漏，经上半年扶植，“市平易近云”一站式平台>>>详细阅读

   
   

   本文标题：卷积神经网络不能处理“图”结构数据？这篇文章告诉你答案

   地址：http://www.17bianji.com/lsqh/36053.html

    1/2    1