本公开内容概括而言涉及深度神经网络(deep neural network，dnn)，更具体而言，涉及具有点网格卷积(point grid convolutional，pgconv)层的dnn。
背景技术：
1、dnn由于其实现高准确度的能力，被广泛用于包括计算机视觉、话音识别和自然语言处理等等在内的各种人工智能(artificial intelligence，ai)应用。一种类型的dnn是图卷积网络(graph convolutional network，gcn)。gcn是各种ai应用的流行解决方案之一，例如人类姿态提升、基于骨架的人类动作识别、网格重建、交通导航、社交网络分析、推荐系统、科学计算，等等。
技术实现思路
1.一种深度神经网络(dnn)，该dnn包括：
2.如权利要求1所述的dnn，其中，所述网格模式是包括多个边缘的二维网格模式，并且所述填充模块被配置为通过在所述多个边缘中的至少一者上添加所述一个或多个额外节点元素来生成所述扩展特征图。
3.如权利要求1所述的dnn，其中，所述一个或多个额外节点元素中的一额外节点元素具有零值。
4.如权利要求1所述的dnn，其中，所述一个或多个额外节点元素中的一额外节点元素具有所述多个节点元素中的一节点元素的值。
5.如权利要求4所述的dnn，其中，所述网格模式是包括第一边缘和与所述第一边缘相对的第二边缘的二维网格模式，所述节点元素被排列在所述第一边缘上，并且所述填充模块被配置为通过在所述第二边缘上添加所述额外节点元素来生成所述扩展特征图。
6.如权利要求1所述的dnn，其中，所述扩展特征图具有与所述网格不同的网格模式，并且所述多个节点元素和所述一个或多个额外节点元素被以所述不同的网格模式排列。
7.如权利要求6所述的dnn，其中，所述网格模式是二维网格模式，并且所述扩展特征图具有三维网格模式。
8.如权利要求6所述的dnn，其中，所述不同的网格模式具有环面形状或者中空圆柱形状。
9.如权利要求1所述的dnn，其中：
10.如权利要求9所述的dnn，其中，所述卷积操作器被配置为通过以下步骤来生成所述输出特征图：
11.如权利要求1所述的dnn，其中，所述卷积权重是通过训练所述dnn确定的。
12.如权利要求11所述的dnn，其中，所述卷积操作器被配置为进一步基于关注内核来生成所述输出特征图，并且所述关注内核包括基于所述扩展特征图确定的关注权重。
13.如权利要求12所述的dnn，其中，所述卷积操作器被配置为通过对所述卷积内核和所述关注内核执行按元素乘法来生成所述输出特征图。
14.一种用于由深度神经网络(dnn)进行深度学习的方法，该方法包括：
15.如权利要求14所述的方法，其中，所述网格模式是包括多个边缘的二维网格模式，并且向所述网格表示添加所述一个或多个额外节点元素包括在所述多个边缘中的至少一者上添加所述一个或多个额外节点元素。
16.如权利要求14所述的方法，其中，所述一个或多个额外节点元素中的一额外节点元素具有零值。
17.如权利要求14所述的方法，其中，所述一个或多个额外节点元素中的一额外节点元素具有所述多个节点元素中的一节点元素的值。
18.如权利要求17所述的方法，其中，所述网格模式是包括第一边缘和与所述第一边缘相对的第二边缘的二维网格模式，所述节点元素被排列在所述第一边缘上，并且向所述网格表示添加所述一个或多个额外节点元素包括在所述第二边缘上添加所述额外节点元素。
19.如权利要求14所述的方法，其中，所述扩展特征图具有与所述网格不同的网格模式，并且所述多个节点元素和所述一个或多个额外节点元素被以所述不同的网格模式排列。
20.如权利要求19所述的方法，其中，所述网格模式是二维网格模式，并且所述扩展特征图具有三维网格模式。
21.如权利要求19所述的方法，其中，所述不同的网格模式具有环面形状或者中空圆柱形状。
22.如权利要求14所述的方法，其中，所述扩展特征图是具有第一网格模式的第一扩展特征图，并且所述方法还包括：
23.如权利要求22所述的方法，其中，生成所述输出特征图包括：
24.如权利要求14所述的方法，其中，所述卷积权重是通过训练所述dnn确定的。
25.如权利要求14所述的方法，其中，生成所述输出特征图包括：
