1、卷积层负责提取图像中的局部特征池化层用来大幅降低参数量级降维全连接层类似传统神经网络的部分，用来输出想要的结果 下面的原理解释为了通俗易懂，忽略了很多技术细节，如果大家对详细的原理感兴趣，可以看这个视频 卷积神经网络基础；GCN是一种卷积神经网络，它可以直接在图上工作，并利用图的结构信息 它解决的是对图如引文网络中的节点如文档进行分类的问题，其中仅有一小部分节点有标签半监督学习 在Graphs上进行半监督学习的例子有些节点没有标签未知；卷积神经网络Convolutional Neural Networks， CNN是一类包含卷积计算且具有深度结构的前馈神经网络Feedforward Neural Networks，是深度学习deep learning的代表算法之一对卷积神经网络的研究始于二十世纪80至90年代，时。
2、整体的网络结构分为两个部分全卷积部分和反卷积部分其中全卷积部分借用了一些经典的CNN网络如AlexNet，VGG，GoogLeNet等，并把最后的全连接层换成 卷积，用于提取特征，形成热点图反卷积部分则是将小尺寸的热点图；运用图像识别技术中的术语来说就是，卷积神经网络按照关联程度筛选不必要的连接，进而使图像识别过程在计算上更具有可操作性卷积神经网络有意地限制了图像识别时候的连接，让一个神经元只接受来自之前图层的小分段的输入假设。
3、1卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘线条和角等层级，更多层的网路。
4、受到深度学习领域进展的驱动，研究人员在设计图神经网络的架构时借鉴了卷积网络循环网络和深度自编码器的思想为了应对图数据的复杂性，重要运算的泛化和定义在过去几年中迅速发展。
