gcnconv卷积核的传播公式讲解

GCNConv是一种图卷积神经网络（Graph Convolutional Network）中常用的卷积层。它可以在图结构数据上进行卷积操作，从而提取图中节点的特征。

GCNConv的传播公式可以如下表示：

h_i^{(l+1)} = \sigma\left(\sum_{j\in N(i)}\frac{1}{c_{ij}}W^{(l)}h_j^{(l)} + b^{(l)}\right)

其中，h_i^{(l+1)}表示第l+1层中第i个节点的特征向量，N(i)表示节点i的邻居节点集合，c_{ij}表示节点i和j之间的归一化常数，W^{(l)}表示第l层的权重矩阵，h_j^{(l)}表示第l层中第j个节点的特征向量，b^{(l)}表示第l层的偏置向量，\sigma表示激活函数。

在该公式中，首先对每个节点的邻居节点的特征向量进行加权求和，其中权重为归一化常数c_{ij}。然后将得到的结果与当前节点的特征向量h_i^{(l)}相加，并通过激活函数进行非线性变换。

整个公式的含义是，每个节点的特征向量由它的邻居节点特征向量加权求和得到，并通过权重矩阵和激活函数进行变换。这样就可以在图结构上进行卷积操作，从而提取节点的特征。

需要注意的是，这里的归一化常数c_{ij}可以通过节点度数进行归一化，也可以通过其他方法进行计算。具体的归一化方式可以根据实际任务和数据集进行选择。