参考https://zhuanlan.zhihu.com/p/78191258
np.eye()
函数的原型：numpy.eye(N,M=None,k=0,dtype=<class 'float'>,order='C)
返回的是一个二维2的数组(N,M)，对角线的地方为1，其余的地方为0.
np.identity()
这个函数和之前的区别在于，这个只能创建方阵，也就是N=M
函数的原型：np.identity(n,dtype=None)
map()
会根据提供的函数对指定序列做映射。
第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。
map(function, iterable, ...)
Python 2.x 返回列表。
Python 3.x 返回迭代器。
for i, element in enumerate(seq):
顺序别想反了
coo_matrix((data,(row,col)),shape=(4,4)).toarray()
即n行，m列存了data[i]，其余位置皆为0.
matrix_name.T
.I是返回原矩阵的逆矩阵
.T是返回原矩阵的转置矩阵
labels = torch.LongTensor(np.where(labels)[1])
是技巧
one-hot向量转常规(0,1,2这种）
https://www.cnblogs.com/sbj123456789/p/9532182.html
np.where(condition)
只有条件 (condition)，没有x和y，则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。
>>> a = np.arange(27).reshape(3,3,3)
>>> a
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
>>> np.where(a > 5)
(array([0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2]),
array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2]),
array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2]))
GCN的forward(self, x, adj)方法对应输入分别是特征和邻接矩阵。
看纸上写的思路，矩阵怎么乘怎么乘（感觉横纵还是没有搞得非常清楚，但仅仅是跟思路好像还行）
NLLLoss和CrossEntropyLoss
https://blog.csdn.net/qq_22210253/article/details/85229988
torch.nn.Parameter
首先可以把这个函数理解为类型转换函数，将一个不可训练的类型Tensor转换成可以训练的类型parameter并将这个parameter绑定到这个module里面(net.parameter()中就有这个绑定的parameter，所以在参数优化的时候可以进行优化的)，所以经过类型转换这个self.v变成了模型的一部分，成为了模型中根据训练可以改动的参数了。使用这个函数的目的也是想让某些变量在学习的过程中不断的修改其值以达到最优化。
