图卷积神经网络 (GCN)
对于一个类似这样的图，记$A_{node_nun\times node_num}为邻接矩阵$, $A_{A,:}$ 表示了node A的连接方式
我们用一个图卷积神经对其进行表示学习，比如说对于A，我们设置一个3层的计算图深度，相当于它的视野域可以看到和A连接2层的node
这里的计算题不能过深，否则会导致各个节点的output趋同，一般2层就够了
计算图深度不等于神经网络深度，神经网络深度理论上可以无限深
图卷积计算图公式
$$ H^{(l+1)}=\sigma(D^{-\frac{1}{2}}\widetilde{A}D^{-\frac{1}{2}}H^{(l)}W^{(l)})\ \ \ (\widetilde{A}=A+E_{node\_num\times node\_num}) $$params:
D:对角矩阵，表示为每个节点连接的个数，可以理解为一个节点如果连接的节点数过多，难免对这些节点影响是有限的
W：训练矩阵
l:第l层
