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。

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

3.GNN简单理解

• 聚合

更新

传递

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）