圖神經網絡近來已火很久，重點是針對關係型數據（關係型數據最早的表示即原始的圖網絡：節點，邊，權重）展開深度學習，進行標籤分類等數據工作。
以上是GCN的核心工作原理類似於圖像壓縮工程：
1.圖像像素矩陣化
2.傅里葉變換（拉普拉朗斯矩陣）
3.使用特徵值作爲權重 選取排名前K個特徵值代表的維度（類似於PCA降維後保留的核心維度）作爲座標軸，轉換分解原圖數據
4.以上三步得到類似於CNN 卷積層Convolution層和對應的權重Q1，Q2，Q3，Q4…QK
5.後面就是針對已經完成圖像壓縮的圖數據，進行CNN後面的分類softmax Layers進行操作。
聚焦PART1：
其中第2小點和第3小點的原理需要重點研究，是GCN如何卷積的核心所在。以下重點分析傅里葉變換和拉普拉朗斯矩陣：
首先來介紹一下拉普拉斯矩陣：
對於圖 G=(V,E)，其Laplacian 矩陣的定義爲 L=D-A，其中 L 是Laplacian 矩陣， D 是頂點的度矩陣（對角矩陣），對角線上元素依次爲各個頂點的度， A 是圖的鄰接矩陣。看圖5的示例，就能很快知道Laplacian 矩陣的計算方法。
拉普拉斯矩陣主要是對圖像像素數據完成分解，且分解後有特殊的形式。
傅里葉變換：
傳統的傅里葉變換定義爲：
F(\omega)=\mathcal{F}[f(t)]=\int_{}{}f(t)e{-i\omega t} dt
對於拉普拉朗斯詳細公式以及傅里葉變換在GCN中如何組合，發揮作用，可以參考下文：
從CNN到GCN的聯繫與區別——GCN從入門到精（fang）通（qi）_網絡_weixin_40013463的博客-CSDN博客
聚焦PART2：Keras實現GCN源碼跟讀分析
GCN代碼解讀分析
github完整版
如果你對AI算法感興趣，歡迎關注我的博客《深度學習算法攻城獅》，持續更新AI深度學習算法項目實戰代碼，十分鐘學會寫出撩妹神器AI聊天機器人@~@
