如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
实例：GCN模型介绍 GCN〔Graph Convolutional Network〕是最早期且应用最广泛图卷积网络，它通过运用邻居信息来实行权重共享，并且可以看作是传统卷积操作在网络上推广。 在GCN中，咱们先说定义一个拉普拉斯矩阵L来表示图形中边连接情况；而后通过L计算出度归一化拉普拉斯矩阵D；接着利用D计算出度归一化拉普拉斯矩阵L̃ = D^〔-1/2〕 〔I - L〕 D^〔-1/2〕，其中I为单位矩阵；最后用该归一化后拉普拉斯矩阵L̃作为权重来实行卷积操作： \〔 H^{〔l+1〕} = \sigma〔\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{〔l〕} W^{〔l〕}〕 \〕 其中H表示输入特征矩阵，W代表权重参数。
实例分析：VGGNet与ResNet区别与联系
VGGNet是一个经典浅层深层架构设计范例，在ImageNet竞赛中取得优异成绩，它首要特点是每两个池化层之间有多个连续小尺寸3x3滤波器构成“堆栈”，纵然这种设计能够有效提升准确率但也会导致大量重复计算并增加训练时间本钱。
针对VGGNet存在难题研究人员提出Residual Network 〔ResNet〕 架构试图搞定梯度消失等难题提高整体性能表现同时维系较低计算复杂度水平：
输入数据类型不同
| 输入类型 | 图形 | 图像 | | ：--： | ：--： | ：--： | | 结构特点 | 结点、边组成关系网 | 行列像素点组成网格 |
对于图形而言，在给定结点属性基石上探究结点间邻接关系非常重点；而对于图像来说，则须要关注是像素间位置关系以及颜色更迭势头等属性更迭情况。
特征提取方法区别
| 特征提取方法 | 邻接关系下聚合运算 | 局部区域下滑动窗口 |
| ：--： | ：--： | ：--： |
| 过程描述 | 在每一轮迭代过程中结点会接收来自相邻结点信息并据此更新自身状态直至达到安定态或停止条件为止形成新图形嵌入表示格局；
每个过滤器都会在一个固定大小范围内扫描整个图片提取具有典型局部模式而后将其组合起来生成更高层次抽象描述符，
以上两种方法均依赖于特定领域知识指导下手工构建模板或者自动学习到合适表达格局从而分别适用于不同类型任务需求。
|
由于二者所针对应用场景不同于是它们采取完全不同方法来实行相应工作一方面须要探究到各自特点选择最适合技术方案另一方面也要结合具体业务场景灵活运用才能达到最佳效果。
笔者所述,GNN、CNN作为两种主流深度学习技术分别适用于不同类型数据集并且在各自领域内发挥着重点作用;可是两者之间也存在诸多共通之处比方说都遵循着“从简单到复杂”设计理念并通过多轮迭代逐步逼近全局最优解;除这它们之间还存在着密切联系比如某些情况下可以相互转化甚至融合在一起一道完成更加复杂艰巨任务挑战于是将来研究工作应着重探索这两类技术之间桥梁纽带进一步推动相关理论体系发展完善促进人工智能技术向着更加高效可靠方向迈进发展!
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！