1. 傅里叶变换：

傅里叶变换是将时域中的数据转换到频域中的一种方法。

傅里叶变换可以将任意一个函数分解为一系列不同频率的正弦波(三角函数)的叠加

傅里叶变化的意义：可以直观的理解为：由于傅里叶变换可以将函数分解为多个正弦波，每种正弦波代表着一种维度，那么假设f(x)可以分解为3种正弦波分别以a1, a2, a3 三种频率叠加，那么，此时，我们就可以将这三种频率视为观察这个函数f(x)的三种维度，三种视角。在这三种视角里，f(x)呈现的情况就对应着三个正弦波的频率值a1, a2, a3。

因此，有人也这样比喻傅里叶变换：“如果将图像比作一到做好的菜，那么，傅里叶变换可以找出这道菜的具体配料及各种配料的用量，不管这道菜的具体制作过程如何，它都可以分辨出来。” 对应一下，那么，配料就是各种正弦波，用量就是各个正弦波对应的频率。

2. 卷积：

2.1 卷积计算：

以图像识别为例：首先，现将图像和卷积核都通过傅里叶变换转换到频域空间中。此时，卷积核作为一种滤波器，对同样变换到频域中的图像进行滤波操作：当卷积核对应的是一个低通滤波器时，在处理图片时，卷积操作就会过滤掉一些较高的频率。将这个经过低通滤波器过滤的频域图像变换会像素空间，就会发现一些内容丢失了(那些对应在频域上，变化剧烈的内容消失了)

【一般来说：高频信号的区域对应图片上剧烈变化的区域，一般是图像的边缘、细节等】

2.2 高通滤波器：

2.3 低通滤波器：

至于高通滤波器、低通滤波器等更详细的解释：卷积滤波器与边缘检测 - 腾讯云开发者社区-腾讯云

2.4 卷积核参数的设置：

对于图像检测，边缘提取等，一般使用约定俗成的有着良好实践效果的固定值卷积核；BUT，对于深度学习等领域，卷积核则不是一个固定值，是要根据输入的数据通过前向反向的传播学习来习得的的参数

2.5 卷积层&全连接层的意义：

卷积层的意义：主要用于从输入中提取到丰富的特征

全连接层的意义：将卷积层得到的特征摊平，丢弃了特征图的空间信息。

主要目的是聚合全局信息并将其映射到输出空间。

【ps】啥是特征图(feature map)：图像(或者数据矩阵)经过卷积计算后得到的输出，called “特征图”

3. Dropout机制

Dropout机制是用来防止过拟合。

Dropout机制的实现方式为：在训练时，随机得将特征图的部分为置0（相当于丢失部分信息，强迫模型基于剩下的特征进行正确的推断，已学习到更加具有鲁棒和具有判别性的特征）

这只是前3章我觉得与意义的内容和一些补充，

之后会对应这个视频：沈华伟老师的视频补充完整

《深入浅出图神经网络--GNN原理解析》一些概念【待整理完】相关推荐

深入浅出图神经网络|GNN原理解析☄学习笔记（四）表示学习
深入浅出图神经网络|GNN原理解析☄学习笔记(四)表示学习文章目录深入浅出图神经网络|GNN原理解析☄学习笔记(四)表示学习表示学习表示学习的意义离散表示与分布式表示端到端学习基于重构损 ...
图机器学习(GML)图神经网络(GNN)原理和代码实现(前置学习系列二）
图机器学习(GML)&图神经网络(GNN)原理和代码实现(PGL)[前置学习系列二] 上一个项目对图相关基础知识进行了详细讲述,下面进图GML networkx :NetworkX 是一个 P ...
A.图机器学习(GML)图神经网络(GNN)原理和代码实现(前置学习系列二）
图学习图神经网络算法专栏简介:主要实现图游走模型(DeepWalk.node2vec):图神经网络算法(GCN.GAT.GraphSage),部分进阶 GNN 模型(UniMP标签传播.ERNIESa ...
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
文章目录一.图神经网络应用领域 1.1 芯片设计 1.2 场景分析与问题推理 1.3 推荐系统 1.4 欺诈检测与风控相关 1.5 知识图谱 1.6 道路交通的流量预测 1.7 自动驾驶(无人机等场 ...
【图神经网络实战】深入浅出地学习图神经网络GNN（下）
文章目录一.Graph Attention Network 1.1 图注意力机制作用与方法 1.2 Attention计算 1.3 Graph Attention 做了什么二.序列图神经网络TGC ...
目前看的图神经网络(GNN)论文的一些总结
该文首发于知乎专栏:在天大的日日夜夜已获得作者授权最近组会轮到我讲了,打算讲一下目前看的一些GNN论文以及该方向的一些重要思想,其中有借鉴论文[1].[2]的一些观点和<深入浅出图神经网络: ...
【图神经网络】图神经网络(GNN)学习笔记：图的基础理论
图神经网络GNN学习笔记:图的基础理论 1. 图的概述 2.图的基本类型 2.1 有向图和无向图 2.2 非加权图与加权图 2.3 连通图与非连通图 2.4 二部图 2.5 邻居和度 2.6 子图和路 ...
【图神经网络】图神经网络(GNN)学习笔记：GNN的通用框架
图神经网络GNN学习笔记:GNN的通用框架 1. MPNN 2. NLNN 3. GN 参考资料所谓通用框架,是对多种变体GNN网络结构的一般化总结,也是GNN编程的通用范式,这里介绍3类通用框架: ...
【图神经网络】图神经网络(GNN)学习笔记：基于GNN的图表示学习
图神经网络GNN学习笔记:基于GNN的图表示学习 1. 图表示学习 2. 基于GNN的图表示学习 2.1 基于重构损失的GNN 2.2 基于对比损失的GNN 参考资料本文主要就基于GNN的无监督图表 ...

《深入浅出图神经网络--GNN原理解析》一些概念【待整理完】

1. 傅里叶变换：

2. 卷积：

2.1 卷积计算：

2.2 高通滤波器：

2.3 低通滤波器：

2.4 卷积核参数的设置：

2.5 卷积层&全连接层的意义：

3. Dropout机制

《深入浅出图神经网络--GNN原理解析》一些概念【待整理完】相关推荐

最新文章

热门文章

《深入浅出图神经网络--GNN原理解析》一些概念【待整理完】

1. 傅里叶变换 ：

2. 卷积：

2.1 卷积计算：

2.2 高通滤波器 ：

2.3 低通滤波器：

2.4 卷积核参数的设置：

2.5 卷积层&全连接层 的意义：

3. Dropout机制

《深入浅出图神经网络--GNN原理解析》一些概念【待整理完】相关推荐

最新文章

热门文章

1. 傅里叶变换：

2.2 高通滤波器：

2.5 卷积层&全连接层的意义：