GCN学习小结

传统的CNN算法是指在图片上做卷积，得到图像的特征图，进而进行后续的操作。而很多数据不像图片数据一样是一行行一列列平整的，这些类似分子结构一样的结构化数据就不能够利用卷积的方式进行提取特征，进而有了面向结构话数据的GCN算法。

但是从CNN到GCN的推演过程并不是一番风顺的，刚刚初始GCN就发现其中用到了诸如拉普拉斯算子等多种高深的算法，将数据从时间域转换到了频率域，进而才能用近似卷积的方式去处理数据。

即便是我之前明白了CNN的原理，也能够基于CNN写一些简单的算法，但是刚刚开始学习GCN算法时还是被各种深奥的数学公式打败了，整个人有一种非常不友好的挫败感。翻看了知乎文章、b站视频等各种资料，结果往往是看到一半就都急躁地看不下去了。

其实这和当时初学nlp中embedding的情况是类似的，同样是遇到了各种各样天花乱坠的名词以及非常深奥的数学公式，刚开始时也是一头雾水，想找一篇文章快速入门。多次无果之后，就选择踏踏实实地看一篇文章，把其中的公式一个个地啃下来，这样刚开始的时候非常艰苦，但是后期就如梦初醒，一下子就全懂了。

有些坑就是躲不掉的，想着走近路往往却花费了更长时间，更多代价，最终得不偿失。这周准备挑选有篇文章好好阅读，争取周日之前能够看懂GCN的基础文章，并且能够把基础的代码实现。