当前位置：首页 > news >正文

图卷积神经网络(GCN)核心公式拆解

news 2026/6/19 12:08:05

1. 从零理解图卷积神经网络的核心公式

第一次看到GCN的公式时，我也被那一堆符号吓到了。但当我拆解后发现，它其实就是在做一件很自然的事情：让每个节点"打听"邻居的信息，然后更新自己的特征。就像我们平时交朋友，会不自觉地受到周围人的影响一样。

公式H(l+1)=σ(D~−1/2A~D~−1/2H(l)W(l))看着复杂，其实可以分为三个关键步骤：

A~H(l)：收集邻居信息
D~−1/2A~D~−1/2：对收集的信息做标准化
σ(W(l))：用激活函数做非线性变换

举个具体例子，假设我们有4个朋友组成的社交网络：

朋友1认识朋友2和朋友3
朋友2认识朋友1和朋友3
朋友3认识所有人
朋友4只认识朋友3

对应的邻接矩阵A就是：

[[0,1,1,0], [1,0,1,0], [1,1,0,1], [0,0,1,0]]

2. 邻接矩阵的魔法改造

原始邻接矩阵有个问题：它忽略了节点自身的信息。就像我们认识新朋友时，不能完全忽略自己的个性。解决方法很简单——加上单位矩阵I：

A_tilde = A + np.eye(4) # 对角线加1

现在A~变成了：

[[1,1,1,0], [1,1,1,0], [1,1,1,1], [0,0,1,1]]

但这样又带来新问题：活跃的人（比如朋友3有很多连接）会主导整个网络。就像社交达人说话总是最大声，我们需要给每个人平等的话语权。

3. 度矩阵的平衡术

度矩阵D~就像社交圈里的"音量调节器"：

D_tilde = np.diag(np.sum(A_tilde, axis=1))

得到：

[[3,0,0,0], [0,3,0,0], [0,0,4,0], [0,0,0,2]]

它的逆平方根D~−1/2就是每个节点的"音量按钮"：

D_tilde_sqrt = np.diag(1/np.sqrt(np.sum(A_tilde, axis=1)))

输出：

[[0.58, 0, 0, 0 ], [0, 0.58, 0, 0 ], [0, 0, 0.5, 0 ], [0, 0, 0, 0.71]]

4. 完整的消息传递过程

现在我们可以组装完整的传播公式了。假设每个朋友有两个特征（幽默感和知识量）：

H = np.array([[0.1,0.4], # 朋友1 [0.2,0.3], # 朋友2 [0.1,0.2], # 朋友3 [0.3,0.1]]) # 朋友4

计算步骤：

先计算D~−1/2A~D~−1/2
再乘以特征矩阵H
最后通过权重W和激活函数σ

用NumPy实现核心计算：

norm_adj = D_tilde_sqrt @ A_tilde @ D_tilde_sqrt new_features = norm_adj @ H @ W # W是可训练参数 new_features = relu(new_features) # 使用ReLU激活

朋友3更新后的特征会综合自己和其他朋友的特点，但不会因为连接多就过度放大自己的影响。

5. 从公式到代码实战

让我们用PyTorch实现一个真正的GCN层：

import torch import torch.nn as nn class GCNLayer(nn.Module): def __init__(self, in_dim, out_dim): super().__init__() self.W = nn.Parameter(torch.randn(in_dim, out_dim)) self.bias = nn.Parameter(torch.zeros(out_dim)) def forward(self, H, A): # 归一化邻接矩阵 D = torch.diag(torch.sum(A, dim=1)) D_sqrt = torch.inverse(torch.sqrt(D)) norm_A = D_sqrt @ A @ D_sqrt # 特征变换 output = norm_A @ H @ self.W + self.bias return torch.relu(output)

使用时只需要：

gcn = GCNLayer(2, 16) # 输入2维，输出16维 new_features = gcn(H, A)

6. 多层GCN的堆叠艺术

单层GCN只能收集直接邻居的信息，就像我们只能听到身边朋友的看法。通过堆叠多层，消息可以传播得更远：

class GCN(nn.Module): def __init__(self, in_dim, hid_dim, out_dim): super().__init__() self.gcn1 = GCNLayer(in_dim, hid_dim) self.gcn2 = GCNLayer(hid_dim, out_dim) def forward(self, H, A): H = self.gcn1(H, A) H = self.gcn2(H, A) return H

但要注意"过度平滑"问题——就像谣言传得太远会失真，通常2-3层就够了。

7. 实际应用中的技巧

在Cora论文分类数据集上训练时，我发现几个实用技巧：

邻接矩阵预处理：添加自连接+对称归一化
特征初始化：对节点特征做行归一化
训练技巧：使用早停法防止过拟合

完整的训练循环如下：

optimizer = torch.optim.Adam(model.parameters(), lr=0.01) for epoch in range(200): model.train() optimizer.zero_grad() output = model(features, adj) loss = F.cross_entropy(output[train_idx], labels[train_idx]) loss.backward() optimizer.step() # 验证集评估 model.eval() with torch.no_grad(): val_output = model(features, adj) val_loss = F.cross_entropy(val_output[val_idx], labels[val_idx])

理解GCN的核心公式后，你会发现它优雅地解决了图数据的特征学习问题。虽然数学符号看起来复杂，但实际思想非常直观——让每个节点合理地聚合邻居信息。

查看全文

http://www.jsqmd.com/news/1041978/