<hr style=" border:solid; width:100px; height:1px;" color=#000000 size=1">

1.数据结构分析（欧几里德和非欧几里德数据）

• 欧几里德数据

• 

• 如上图所示，每个节点之间都是排列整齐的，所以很容易的可以定义出距离来，如下图所示：

• 

• 非欧几里德数据

• 

排列不整齐，比较的随意。具体体现在：对于数据中的某个点，难以定义出其邻居节点出来，或者是不同节点的邻居节点的数量是不同的。

https://blog.csdn.net/imsuhxz/article/details/91361977

2.inception V1 V2 V3 V4

inception V1

卷积了几步之后就开始出现并行的过程，换成几个 1 * 1， 3 * 3， 5 * 5 的卷积并列。然后再把分别卷积的结果作为层数维度上的合并。比方说这一层本来是一个 2828 大小的卷积核，一共输出 224 层，换成 inception 以后就是 64 层 1 * 1， 128 层 3 * 3， 32 层 5 * 5。这样算到最后依然是 224 层，但是参数个数明显减少了，从 2828*224 = 9834496 变成了 1 * 1 * 64+3 * 3 * 128+5 * 5 *32 = 2089，减小了几个数量级。再上一张形象的图：

Inception V2

inception V2 其实在网络上没有什么改动，只是在输入的时候增加了 batch_normal，所以他的论文名字也是叫 batch_normal，加了这个以后训练起来收敛更快，学习起来自然更高效，可以减少 dropout 的使用。

BN 理解

神经网络中传递的张量数据，其维度通常记为[N, H, W, C]，其中 N 是 batch_size，H、W 是行、列，C 是通道数。那么上式中 BN 的输入集合 [公式] 就是下图中蓝色的部分。

https://zhuanlan.zhihu.com/p/93643523

Inception V3

Inception V3 把 googlenet 里一些 7 * 7 的卷积变成了 1 * 7 和 7 * 1 的两层串联，3 * 3 的也一样，变成了 1 * 3 和 3 * 1，这样加速了计算，还增加了网络的非线性，减小过拟合的概率。另外，网络的输入从 224 改成了 299.

Inception V4

inception v4 实际上是把原来的 inception 加上了 resnet 的方法，从一个节点能够跳过一些节点直接连入之后的一些节点，并且残差也跟着过去一个。另外就是 V4 把一个先 1 * 1 再 3 * 3 那步换成了先 3 * 3 再 1 * 1.论文说引入 resnet 不是用来提高深度，进而提高准确度的，只是用来提高速度的https://blog.csdn.net/u011021773/article/details/80791650

3.GNN 简单理解

• 聚合

• 

• 更新

• 

• 传递

• 

https://www.bilibili.com/video/BV1Tf4y1i7Go/?spm_id_from=333.788.recommend_more_video.-1

4.GCN 简单理解

对于上面聚合没有考虑到自己的信息以及对于 GNN 中聚合里的 B、C、D 点的权重如何确定？

• 聚合（包含自己）

• 

• 平均法（由特例，如：收入不均衡）

• 

• 解决（公式中 D 是度的意思，来限制权重）

•