为什么有图卷积神经网络 想在github 上下载caffe的卷积神经网络 ，请问大神该怎么实现啊

为什么有图卷积神经网络？

本质上说，世界上所有的数据都是拓扑结构，也就是网络结构，如果能够把这些网络数据真正的收集、融合起来，这确实是实现了AI智能的第一步。所以，如何利用深度学习处理这些复杂的拓扑数据，如何开创新的处理图数据以及知识图谱的智能算法是AI的一个重要方向。
深度学习在多个领域的成功主要归功于计算资源的快速发展（如 GPU）、大量训练数据的收集，还有深度学习从欧几里得数据（如图像、文本和视频）中提取潜在表征的有效性。但是，尽管深度学习已经在欧几里得数据中取得了很大的成功，但从非欧几里得域生成的数据已经取得更广泛的应用，它们需要有效分析。如在电子商务领域，一个基于图的学习系统能够利用用户和产品之间的交互以实现高度精准的推荐。在化学领域，分子被建模为图，新药研发需要测定其生物活性。在论文引用网络中，论文之间通过引用关系互相连接，需要将它们分成不同的类别。自2012年以来，深度学习在计算机视觉以及自然语言处理两个领域取得了巨大的成功。假设有一张图，要做分类，传统方法需要手动提取一些特征，比如纹理，颜色，或者一些更高级的特征。然后再把这些特征放到像随机森林等分类器，给到一个输出标签，告诉它是哪个类别。而深度学习是输入一张图，经过神经网络，直接输出一个标签。特征提取和分类一步到位，避免了手工提取特征或者人工规则，从原始数据中自动化地去提取特征，是一种端到端（end-to-end）的学习。相较于传统的方法，深度学习能够学习到更高效的特征与模式。
图数据的复杂性对现有机器学习算法提出了重大挑战，因为图数据是不规则的。每张图大小不同、节点无序，一张图中的每个节点都有不同数目的邻近节点，使得一些在图像中容易计算的重要运算（如卷积）不能再直接应用于图。此外，现有机器学习算法的核心假设是实例彼此独立。然而，图数据中的每个实例都与周围的其它实例相关，含有一些复杂的连接信息，用于捕获数据之间的依赖关系，包括引用、朋友关系和相互作用。
最近，越来越多的研究开始将深度学习方法应用到图数据领域。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。

想在github 上下载caffe的卷积神经网络 ，请问大神该怎么实现啊？

github 上的代码是保存在代码库里，每个人可以创建自己的代码库。
你需要在其官网上搜对应的代码库，然后安装 git 客户端，通过命令来下载（clone）代码到本地即可。
由于不了解你的 “”，我尝试搜了一下“caffe”，随意选择一个代码库：

https://github.com/BVLC/caffe.git下载命令：
cmd 下输入：
git clone https://github.com/BVLC/caffe.git

卷积运算是啥

在泛函分析中，卷积(卷积)、旋积或摺积(英语：Convolution)是通过两个函数f
和g
生成第三个函数的一种数学算子，表徵函数f
与经过翻转和平移与g
的重叠部分的累积。如果将参加卷积的一个函数看作区间的指示函数，卷积还可以被看作是“滑动平均”的推广。
简单介绍
卷积是分析数学中一种重要的运算。设:
f(x),g(x)是R1上的两个可积函数，作积分：
可以证明，关于几乎所有的
，上述积分是存在的。这样，随着
x
的不同取值，这个积分就定义了一个新函数h(x)，称为函数f
与g
的卷积，记为h(x)＝(f*g)(x)。容易验证，(f
*
g)(x)
＝
(g
*
f)(x)，并且(f
*
g)(x)
仍为可积函数。这就是说，把卷积代替乘法，L1（R1）1空间是一个代数，甚至是巴拿赫代数。
卷积与傅里叶变换有着密切的关系。利用一点性质，即两函数的傅里叶变换的乘积等于它们卷积后的傅里叶变换，能使傅里叶分析中许多问题的处理得到简化。
由卷积得到的函数f*g
一般要比f
和g
都光滑。特别当g
为具有紧支集的光滑函数，f
为局部可积时，它们的卷积f
*
g
也是光滑函数。利用这一性质，对于任意的可积函数f，都可以简单地构造出一列逼近于f
的光滑函数列fs，这种方法称为函数的光滑化或正则化。
卷积的概念还可以推广到数列、测度以及广义函数上去。
卷积在工程和数学上都有很多应用：
统计学中，加权的滑动平均是一种卷积。
概率论中，两个统计独立变量X与Y的和的概率密度函数是X与Y的概率密度函数的卷积。
声学中，回声可以用源声与一个反映各种反射效应的函数的卷积表示。
电子工程与信号处理中，任一个线性系统的输出都可以通过将输入信号与系统函数（系统的冲激响应）做卷积获得。
物理学中，任何一个线性系统（符合叠加原理）都存在卷积。
卷积是一种线性运算,图像处理中常见的mask运算都是卷积，广泛应用于图像滤波。castlman的书对卷积讲得很详细。
高斯变换就是用高斯函数对图像进行卷积。高斯算子可以直接从离散高斯函数得到：
for(i=0
ii )
{
for(j=0
jj )
{
g[i*N j]=exp(-((i-(N-1)/2)^2 (j-(N-1)/2)^2))/(2*delta^2))
sum
=
g[i*N j]
}
}
再除以
sum
得到归一化算子
N是滤波器的大小，delta自选
首先，再提到卷积之前，必须提到卷积出现的背景。卷积是在信号与线性系统的基础上或背景中出现的，脱离这个背景单独谈卷积是没有任何意义的，除了那个所谓褶反公式上的数学意义和积分（或求和，离散情况下）。
信号与线性系统，讨论的就是信号经过一个线性系统以后发生的变化（就是输入
输出
和所经过的所谓系统，这三者之间的数学关系）。所谓线性系统的含义，就是，这个所谓的系统，带来的输出信号与输入信号的数学关系式之间是线性的运算关系。
因此，实际上，都是要根据我们需要待处理的信号形式，来设计所谓的系统传递函数，那么这个系统的传递函数和输入信号，在数学上的形式就是所谓的卷积关系。
卷积关系最重要的一种情况，就是在信号与线性系统或数字信号处理
中的卷积定理。利用该定理，可以将时间域或空间域中的卷积运算等价为频率域的相乘运算，从而利用FFT等快速算法，实现有效的计算，节省运算代价。