摘要：
GCN的定义 下面内容参考kipf博客，个人认为是告诉你从直觉上，我们怎么得到GCN图上的定义（ 而前面的大幅推导是从理论上一步一步来的，也就是说可以用来佐证我们的直觉 ） 我们的网络 输入 是$\mathcal{G}=(\mathcal{V},\mathcal{E})$： 即可以用$N\times 阅读全文
摘要：
背景简介 GCN的提出是为了处理非结构化数据（相对于image像素点而言）。CNN处理规则矩形的网格像素点已经十分成熟，其最大的特点就是利用卷积进行①参数共享②局部连接，如下图： 那么类比到非结构数据图（graph），CNN能直接对非结构数据进行同样类似的操作吗？如果不能，我们又该采用其他什么方式呢 阅读全文
摘要：
1. 参考论文 Reweighted Random Walks for Graph Matching【1】 The pagerank citation ranking: Bringing order to the web【2】 A spectral technique for corresponde 阅读全文
摘要：
实验室的服务器是共用的，所以无法使用sudo apt-get 命令快速安装 只能自己下载git上的源代码然后编译，装在自己的私人目录下 ——否则 sudo apt-get 安装很容易，55555555 1. 安装 re2c 安装ninja的前提是安装re2c，所以官网：https://github. 阅读全文
摘要：
1. 论文概述 论文首次将深度学习同图匹配（Graph matching）结合，设计了end-to-end网络去学习图匹配过程。 1.1 网络学习的目标（输出） 是两个图（Graph）之间的相似度矩阵。 1.2 网络的输入 拿其中的 imageNet 的鸟举例如下图，使用的是另一篇论文使用的数据集。 阅读全文
摘要：
1. 随机变量本质是函数。 对随机变量而言，哪个世界中将得到哪一个值都是已确定的（①：0~1/4一个世界，1/4~3/4一个世界 ②小块的地方就是不中选，大块的地方就是中选，值确定）。 2. 分布函数 而概率分布不涉及事件具体发生在哪个世界（涉及的是随机变量得到的值——中选，不中选）。 w 是 世界 阅读全文
摘要：
1. 前情提要： 向量是空间中的点 矩阵就是空间的映射，比如 y = Ax （x,y均为向量），是将 x 向量在 A 矩阵的作用下映射成 y 向量 左乘矩阵 A 可理解成改变了默认基底 基底改变-->理解空间扭曲（动图出处：公众号--meetmath） 2. 正文 阅读全文
摘要：
1. 内置类型默认初始化 内置类型如果没有被显示初始化，则会被编译器默认初始化。初始化会根据①变量类型的不同②变量类型位置，来决定初始化之后的值。但是内置类型如果在函数体内部，则将不被初始化——也就是未定义的，而操作一个未定义的变量会导致错误。与之象必，string 类型会提供默认初始化，所以21行 阅读全文
摘要：
1. 左值和右值 简单的定义来说，能够放在赋值等号左边的就是左值，反之则是右值（所有表达式不是左值就是右值，左右值不存在交集）——但是这个解释实在有点鸡肋。下面对定义结合例子做些补充。 右值：在内存中【不占有内存位置以存储值】的表达式 左值：在内存中【占有内存位置以存储值】的表达式 1 int i; 阅读全文
摘要：
面向对象程序设计（Object-oriented programming）的核心思想是数据抽象，继承，和动态绑定。 1. 继承 在C++语言中，基类将类型相关的函数与派生类不做改变直接继承的函数区分对待。对于某些函数，基类希望它的派生类各自定义适合自身的版本，此时基类就将这些函数声明成虚函数(vir 阅读全文