我想这篇论文有助于读者理解越来越流行的图卷积神经网络，这也是我介绍这篇论文的原因。 首先，我们简要介绍了写作的初衷和如何从图像中理解卷积层的基本原理，并利用Numpy实现了卷积层的初始化方法和前台方法。 其中，首先篇提出了dropout的改进方法，第二篇和第三篇是关于图卷积网络的研究。

当我们对某个操作，完成了他的反向传播方法时，我们怎么知道我们实现的求导是否正确，我们的公式导出是否可能是错误的？ 如果网络仅基于这些层的得分来选择通道，则每当选定的通道序列向前通过时，对于每个图像都可能是相同的。 至此，系统地介绍了卷积层反向传播的原理、目的和Numpy实现。 图5实际上是im2col的逆赋值，代码与im2col几乎相同，只是逆赋值。

1、卷积层反向传播

在这篇论文中，作者提出了贝叶斯图卷积神经网络，并给出了通过参数随机图模型综合不确定图信息的方法。 作者提出了一种量化特征重要性的方法，表明利用该信息集成到dropout中可以提高卷积神经网络的表达。 简单地说，GCN是直接操作图的多层神经网络，可以根据邻居节点及其属性导出节点的嵌入向量。

2、卷积神经网络反向传播图

在这篇论文中，作者提出了一种新的文本分类方法——文本图卷积网络( Text GCN )。 我选择审阅的这三篇AAAI 2019论文都涉及卷积神经网络这个主题。 对反演后的卷积核和padding后的pad_delta进行卷积计算。 方法与conv.forward相同，因此省略说明。 忘记的人请参考上一篇文章。

3、卷积神经网络反向传播动画

这篇论文同样也在研究图卷积神经网络( GCNN )，但考虑到实际生活中使用的图可能来源于有噪声的数据和建模假说，这意味着这些图是“不确定的”。 实际上，可以是卷积层、池化层等(输入操作员多需要注意)。 也就是说，要实现网络内一个操作的反向传播，基本操作只需完成上述两点即可。 近年来，卷积神经网络( CNN )有了很大的发展，这显著提高了许多不同APP应用的性能表现。

4、卷积神经网络反向传播原理

GCNN执行此任务的方式是在神经网络架构中执行图的卷积运算。 GCN是直接操作图的多层神经网络，可以根据邻居节点及其属性导出节点的嵌入向量。 同时介绍了解神经网络中最优雅的反向传播算法，完成整个卷积层类的Numpy实现，最后定义深度学习操作所需掌握的检测方法，gradient_check。

试图介绍神经网络和逆传播的原理，多层概率( MLP )监督机器学习中标准学习的算法( MLP )是我们绕不开的一道坎。 下图是最简单的具有隐含层的MLP。