本文已参与[新人创作礼]活动，一起开启掘金创作之路。
GCN，图卷积神经网络。 定义GCN：G=（V，A）
其中V表示各个顶点的集合，V={v1，v2，...,vn},A是一个n*n的矩阵表示邻接矩阵，aij表示vi和vj两个点连接边的权重,或者说是距离。定义一个度量degree矩阵D= = diag(d1, . . . , dn) ，D是一个对角矩阵，表示一个行的和也就是一个点与其他连接点之间的距离和， 公式如下所示：
每一个点都有一个d维度的特征向量x，所以整个矩阵的特征向量X是Rn*d维。
X=[x1, . . . , xn]T。一共有C类，每个点属于C类中一个类，使用one-hot编码，yi为1或者为0。
网络
GCN网络与CNN网络类似，同样都是经过多个层学习对输入进行特征学习，最后通过将学习到的特征输入到线性层中进行分类。区别？：每个节点的隐藏含义是和邻居取平均在每一层的开始。
GCN每一层主要步骤：feature propagation, linear transformation, and a pointwise nonlinear activation。
每一个点的vi的特征hi和他周围邻居做平均。我的理解是和进行归一化，特征除以距离再求和，公式见下图：
推演到整个图，也就是所有点可以用一共矩阵S来表示归一化后的邻接矩阵，公式如下：
其中 A^表示A+I，I是单位矩阵；D^表示A^的度量矩阵。H(k)=SH(k-1)。
矩阵Hk与权重矩阵相乘，将得到的结果输入到一个非线性激活函数，详细公式如下：
