MobileNet卷积神经网络卷积神经网络存在什么问题？首先大家要了解原始的卷积神经网络在进行多通道卷积的时候到底是怎么执行的。我们有个三通道的RGB图片，这个时候我们使用一个$3\times 3\times 3$的卷积核来卷积这个图片，很明显最后一个，我们每次卷积都是27个参数一起训练，然后这个卷积核扫描原始的图片一次以后就生成了$4 \times 4$的一个feather map，所以我们在实

GRAPHATTENTIONNETWORKS图注意力神经网络是既GCN神经网络后，有一个图结构深度学习的网络，本节我们来学习。原文地址可以点击GRAPHATTENTIONNETWORKS下载。在原来的GCN神经网络中，我们能够理解到GCN是存在一定的局限性的，在如下的场景下。GCN无法完成处理动态图

原型神经网络我们了解很多深度学习和机器学习的算法，但是有一个痛点，我们要求数据量极大，因为参数量极大，这个时候怎么办？我们还是期望能够使用较少的数据学到更大的信息量，这才是我们的目标，本章节中讲到的就是这类问题的学习方法，我们称之为小样本学习。在本文的最后有一篇讲PrototypicalNetwor

今天我们来看一篇经典的论文，Semi-SupervisedClassificationwithGraphConvolutionalNetworks,这个论文一个经典的讲gcn的论文。我们经常遇到的卷积学习都是图上的卷积，具体形式可以在本站搜索『卷积神经网络』，我们发现卷积核都是方方正正的，就像为图片