卷积神经网络动图,卷积神经网络原理讲解
【模型解读】“不正经”的deformable(可变形)卷积神经网络 “不正经”的deformable（可变形）卷积神经网络通过引入可学习的采样偏移量，使卷积核能够适应目标物体的几何形变，从而提升模型对平移、旋转、尺度变化等任务的适应性。可变形卷积网络（Deformable Convolutional Networks，简称DCNs）是一种增强卷积神经网络（CNN）对几何变换建模能力的技术。它通过引入可变形卷积和可变形ROI池化两个新模块，使得CNN能够更灵活地处理图像中的几何变换。
【模型解读】“不正经”的deformable(可变形)卷积神经网络
“不正经”的deformable（可变形）卷积神经网络通过引入可学习的采样偏移量，使卷积核能够适应目标物体的几何形变，从而提升模型对平移、旋转、尺度变化等任务的适应性。
可变形卷积网络（Deformable Convolutional Networks，简称DCNs）是一种增强卷积神经网络（CNN）对几何变换建模能力的技术。它通过引入可变形卷积和可变形ROI池化两个新模块，使得CNN能够更灵活地处理图像中的几何变换。
可变形卷积（Deformable Convolution）是一种对传统卷积操作的改进，旨在增强卷积神经网络对几何变换的建模能力。以下是对可变形卷积的详细解释：普通卷积回顾在普通卷积中，卷积核（或称为滤波器）在输入特征图上以固定的步长滑动，对每个位置进行局部加权求和，从而生成输出特征图。
Deformable Convolutional Net阅读笔记摘要：卷积神经网络(CNNs)因其固定的几何结构限制了采样范围的多样性。本文引入可变形卷积和可变形ROI池化两个新模块，通过学习偏移量来修改空间采样位置，从而增强CNNs的转换建模能力。实验证明，该方法在多个视觉任务上有效。
图神经网络综述:模型与应用
应用与挑战（一）应用文中略。（二）挑战GNN预训练：研究人员已经开始设计更通用的图预训练目标，以提高预训练gnn的泛化能力，从而更好地进行快速学习。
Edge-level：预测边的属性（如推荐系统中用户-物品的交互类型）。Graph-level：对整个图进行分类或回归（如药物分子活性预测）。 GNN的基本原理定义：GNN是将神经网络应用于图结构数据的模型，而非将图结构直接嵌入神经网络。
其通过模拟生物神经元的脉冲发放机制，实现了低功耗、高效率的时间信息处理能力，为自动驾驶、机器人控制等实时性要求高的场景提供了新思路。以下从基本原理、模型构建、训练方法及应用领域等方面展开综述。脉冲神经网络的基本原理 生物神经元理论的借鉴SNN的核心在于模拟生物神经元的动态行为。
图神经网络（GNN）核心思想：利用神经网络模型捕捉图数据的结构信息和节点特征。代表性模型：GCN（Graph Convolutional Network）：通过卷积操作聚合邻居节点的信息，学习节点的表示。GAT（Graph Attention Network）：引入注意力机制，根据邻居节点的重要性进行加权聚合。
关联矩阵：介绍了关联矩阵的基本概念及其在图论中的应用，但具体公式未详细展开。第三章 神经网络基础神经网络的学习方式：神经网络以随机权重或随机值开始，通过神经元之间的连接进行信息传递。通过反向传播算法反复更新权重或值，直到模型执行的相当精确为止。神经网络学习到的知识以数字的形式存储在连接中。
概述：本文探讨了随机节点初始化对图神经网络性能的影响，发现即使节点初始化是随机的，GNNs在某些任务上仍能表现出惊人的性能。这揭示了GNNs在处理图结构数据时的强大能力，并为其在实际应用中的简化提供了理论依据。
