Update

many chore

4.人工智能/4.7图网络略述（intro&GCN）.md

@@ -81,7 +81,7 @@ $
 
 ## ChebNet 及其思考
 
-ChebNet 的引入是当今神经网络大热门的开端，也是图卷积网络的基础。其思路为，使用切比雪夫多项式对卷积过程 K 阶拟合([参考](https://zhuanlan.zhihu.com/p/138420723))
+ChebNet 的引入是当今神经网络大热门的开端，也是图卷积网络的基础。其思路为，使用切比雪夫多项式对卷积过程 K 阶拟合 ([参考](https://zhuanlan.zhihu.com/p/138420723))
 
 ChebNet 假设$g\theta$对$\Lambda$的滤波结果是原始特征值多项式函数，而网络的目的是抛弃原本通过矩阵相乘来对卷积结果进行求解，而通过参数学习来对结果进行表示，给出下式
 
@@ -96,7 +96,7 @@ $$
 其中有切比雪夫多项式在矩阵上的表示，具体数学背景可以详细查看
 
 $$
-T_0(L) = I\ T_1(L)=L\ T_{n+1}(L)=2LT_n(L) - T_{n-1}(L) 
+T_0(L) = I\ T_1(L)=L\ T_{n+1}(L)=2LT_n(L) - T_{n-1}(L)
 $$
 
 有$\beta_k$为网络的待学习参数
@@ -114,9 +114,7 @@ $$
 \mathbf{U}^\mathsf{T}x
 \end{matrix}
 $$
-
-，并对其中无关输入信号 $x$ 的部分进行改写
-
+并对其中无关输入信号 $x$ 的部分进行改写
 
 $$
 \mathbf{U}\begin{matrix}\sum_{k=0}^K
@@ -163,7 +161,6 @@ x
 \end{matrix}
 $$
 
-
 作为 ChebNet 的卷积结构
 
 其中值得注意的一点是，ChebNet 的 K 值限制了卷积核的多项式次数，但是这里的多项式次数描述了什么呢？其实就是卷积的“范围”，即单次卷积内最高可获得的 K 阶相邻节点信息。在 K=n 的时候，我们从理论上可以通过单次卷积，获取一张连通图上所有结点的信息，而这也是原方法难以计算的根本原因。