图卷积神经网络(GCN)理解与tensorflow2.0 代码实现 附完整代码

图(Graph)，一般用 $G=(V,E)$ 表示，这里的$V$是图中节点的集合，$E$ 为边的集合，节点的个数用$N$表示。在一个图中，有三个比较重要的矩阵：

1. 特征矩阵$X$：维度为 $N\times D$ ，表示图中有 N 个节点，每个节点的特征个数是 D。

2. 邻居矩阵$A$：维度为 $N\times N$ ，表示图中 N 个节点之间的连接关系。

3. 度矩阵 $D$：维度为 $N\times N$ ，是一个对角矩阵，即只有对角线上不为零，其他位置元素都是 0 ，表示图中 N 个节点与其他节点相连的边的个数。对于无权图而言，$D_{ii}=\sum_j A_{ij}$ 。

邻接矩阵与度矩阵例子如下图所示：