图神经网络系列讲解及代码实现-GCN 1_哔哩哔哩_bilibili
在图神经网络（Graph Neural Network, GNN）中，GCN（Graph Convolutional Network）是一种常用的模型。当提到"GCN计算量大"时，主要是指在处理大规模图数据时，GCN的计算复杂度较高，可能导致计算资源消耗巨大甚至无法完成计算。
具体来说，GCN的计算过程涉及矩阵乘法和归一化操作，这些操作在大规模图上会变得非常耗时和耗资源。例如，在每层的前向传播过程中，需要计算邻接矩阵与特征矩阵的乘积，这在节点数量庞大的图中会导致巨大的计算量。
此外，全图计算意味着需要一次性处理整个图的数据，这对于存储和计算资源都是一个挑战。因此，当图的规模较大时，GCN的计算量可能会大到无法在合理的时间内完成，或者需要大量的计算资源支持。
为了解决这个问题，GraphSAGE等方法被提出，它们通过采样邻居节点来减少计算量，使得模型能够在大规模图上进行有效的训练和推理。
