【TVM 教程】构建图卷积网络

图卷积网络(Graph Convolution Network,GCN) 在图神经网络出现之前,一般的神经网络只能对常规的欧式数据进行处理,其特点就是节点有固定的排列规则和顺序,如2维网格和1维序列。近几年来,将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破,比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题,对节点之间的依赖关系进行建模,从而能够很好地处理图结构数据。 阅读详情

更多 TVM 中文文档可访问 →
https://tvm.hyper.ai/

本文介绍如何用 Relay 构建图卷积网络(GCN)。本教程演示在 Cora 数据集上运行 GCN。Cora 数据集是图神经网络(GNN)的 benchmark,同时是支持 GNN 训练和推理的框架。我们直接从 DGL 库加载数据集来与 DGL 进行同类比较。

pip install torch==2.0.0
pip install dgl==v1.0.0

有关 DGL 安装,参阅 DGL 文档。

有关 PyTorch 安装,参阅 PyTorch 指南。

使用 PyTorch 后端在 DGL 中定义 GCN​

这部分重用了 DGL 示例 的代码。

import torch
import torch.nn as nn
import torch.nn.functional as F
import dgl
import networkx as nx
from dgl.nn.pytorch import GraphConv

class GCN(nn.Module):
 def __init__(self, g, n_infeat, n_hidden, n_classes, n_layers, activation):
 super(GCN, self).__init__()
        self.g = g
        self.layers = nn.ModuleList()
        self.layers.append(GraphConv(n_infeat, n_hidden, activation=activation))
 for i in range(n_layers - 1):
            self.layers.append(GraphConv(n_hidden, n_hidden, activation=activation))
        self.layers.append(GraphConv(n_hidden, n_classes))

 def forward(self, features):
        h = features
 for i, layer in enumerate(self.layers):
 # handle api changes for differnt DGL version
 # 处理不同 DGL 版本的不同函数
 if dgl.__version__ > "0.3":
                h = layer(self.g, h)
 else:
                h = layer(h, self.g)
 return h

输出结果:

Using backend: pytorch

定义加载数据集和评估准确性的函数​

可以将这部分替换为你自己的数据集,本示例中,我们选择从 DGL 加载数据:

from dgl.data import load_data
from collections import namedtuple

def evaluate(g, logits):
    label = g.ndata["label"]
    test_mask = g.ndata["test_mask"]

    pred = logits.argmax(axis=1)
    acc = (torch.Tensor(pred[test_mask]) == label[test_mask]).float().mean()

 return acc

加载数据并设置模型参数​

"""
Parameters
----------
num_layer: int
    number of hidden layers

num_hidden: int
    number of the hidden units in the hidden layer

infeat_dim: int
    dimension of the input features

num_classes: int
    dimension of model output (Number of classes)
"""

dataset = dgl.data.CoraGraphDataset()
dgl_g = dataset[0]

num_layers = 1
num_hidden = 16
features = dgl_g.ndata["feat"]
infeat_dim = features.shape[1]
num_classes = dataset.num_classes

输出结果:

Downloading /workspace/.dgl/cora_v2.zip from https://data.dgl.ai/dataset/cora_v2.zip...
Extracting file to /workspace/.dgl/cora_v2
Finished data loading and preprocessing.
  NumNodes: 2708
  NumEdges: 10556
  NumFeats: 1433
  NumClasses: 7
  NumTrainingSamples: 140
  NumValidationSamples: 500
  NumTestSamples: 1000
Done saving data into cached files.
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.graph will be deprecated, please use dataset[0] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.feat will be deprecated, please use g.ndata['feat'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.num_labels will be deprecated, please use dataset.num_classes instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))

设置 DGL-PyTorch 模型以取得最好的结果​

用 https://github.com/dmlc/dgl/blob/master/examples/pytorch/gcn/train.py 训练权重。

from tvm.contrib.download import download_testdata

features = torch.FloatTensor(features)

torch_model = GCN(dgl_g, infeat_dim, num_hidden, num_classes, num_layers, F.relu)

# 下载预训练的权重
model_url = "https://homes.cs.washington.edu/~cyulin/media/gnn_model/gcn_cora.torch"
model_path = download_testdata(model_url, "gcn_cora.pickle", module="gcn_model")

# 将 weights 加载到模型中
torch_model.load_state_dict(torch.load(model_path))

输出结果:

/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.feat will be deprecated, please use g.ndata['feat'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
/usr/local/lib/python3.7/dist-packages/dgl/base.py:45: DGLWarning: Recommend creating graphs by `dgl.graph(data)` instead of `dgl.DGLGraph(data)`.
 return warnings.warn(message, category=category, stacklevel=1)

<All keys matched successfully>

运行 DGL 模型并测试准确性​

torch_model.eval()
with torch.no_grad():
    logits_torch = torch_model(features)
print("Print the first five outputs from DGL-PyTorch execution\n", logits_torch[:5])

acc = evaluate(dgl_g, logits_torch.numpy())
print("Test accuracy of DGL results: {:.2%}".format(acc))

输出结果:

Print the first five outputs from DGL-PyTorch execution
 tensor([[-0.2198, -0.7980,  0.0784,  0.9232, -0.9319, -0.7733,  0.9410],
 [-0.4646, -0.6606, -0.1732,  1.1829, -0.3705, -0.5535,  0.0858],
 [-0.0031, -0.4156,  0.0175,  0.4765, -0.5887, -0.3609,  0.2278],
 [-0.8559, -0.8860,  1.4782,  0.9262, -1.3100, -1.0960, -0.0908],
 [-0.0702, -1.1651,  1.1453, -0.3586, -0.4938, -0.2288,  0.1827]])
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.test_mask will be deprecated, please use g.ndata['test_mask'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.label will be deprecated, please use g.ndata['label'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
Test accuracy of DGL results: 10.00%

在 Relay 中定义图卷积层​

在 TVM 上运行 GCN 之前,首先实现 Graph Convolution Layer。参考 https://github.com/dmlc/dgl/blob/master/python/dgl/nn/mxnet/conv/graphconv.py 了解在 DGL 中使用 MXNet 后端实现的 GraphConv 层的更多信息。

该层由以下操作定义。注意:我们用两个转置来保持 sparse_dense 算子右侧的邻接矩阵,此方法是临时的,接下来几周内会更新稀疏矩阵转置,使得支持左稀疏算子。

ℎ ( , , )= ∗ ∗ =(( ∗ ) ∗ ) =(( ∗ )∗ ) GraphConv(A,H,W)=A∗H∗W=((H∗W)t∗At)t=((Wt∗Ht)∗At)t

from tvm import relay
from tvm.contrib import graph_executor
import tvm
from tvm import te

def GraphConv(layer_name, input_dim, output_dim, adj, input, norm=None, bias=True, activation=None):
 """
    参数
    ----------
    layer_name: str
    图层名称

    input_dim: int
    每个节点特征的输入维度

    output_dim: int,
    每个节点特征的输出维度

    adj: namedtuple,
    稀疏格式的图形表示(邻接矩阵)(`data`,`indices`,`indptr`),其中`data`的 shape 为[num_nonzeros],indices`的 shape 为[num_nonzeros],`indptr`的 shape 为[num_nodes + 1]

    input: relay.Expr,
    shape 为 [num_nodes, input_dim] 的当前层的输入特征

    norm: relay.Expr,
    范数传给该层,对卷积前后的特征进行归一化。

    bias: bool
    将 bias 设置为 True,在处理 GCN 层时添加偏差

    activation: <function relay.op.nn>,
    激活函数适用于输出,例如 relay.nn.{relu,sigmoid,log_softmax,softmax,leaky_relu}

    返回
    ----------
    输出:tvm.relay.Expr
    该层的输出张量 [num_nodes, output_dim]
    """
 if norm is not None:
 input = relay.multiply(input, norm)

    weight = relay.var(layer_name + ".weight", shape=(input_dim, output_dim))
    weight_t = relay.transpose(weight)
    dense = relay.nn.dense(weight_t, input)
    output = relay.nn.sparse_dense(dense, adj)
    output_t = relay.transpose(output)
 if norm is not None:
        output_t = relay.multiply(output_t, norm)
 if bias is True:
        _bias = relay.var(layer_name + ".bias", shape=(output_dim, 1))
        output_t = relay.nn.bias_add(output_t, _bias, axis=-1)
 if activation is not None:
        output_t = activation(output_t)
 return output_t

准备 GraphConv 层所需的参数​

import numpy as np
import networkx as nx

def prepare_params(g):
    params = {}
    params["infeats"] = g.ndata["feat"].numpy().astype("float32")

 # 生成邻接矩阵
    nx_graph = dgl.to_networkx(g)
    adjacency = nx.to_scipy_sparse_array(nx_graph)
    params["g_data"] = adjacency.data.astype("float32")
    params["indices"] = adjacency.indices.astype("int32")
    params["indptr"] = adjacency.indptr.astype("int32")

 # 标准化 w.r.t.节点的度
    degs = [g.in_degrees(i) for i in range(g.number_of_nodes())]
    params["norm"] = np.power(degs, -0.5).astype("float32")
    params["norm"] = params["norm"].reshape((params["norm"].shape[0], 1))

 return params

params = prepare_params(dgl_g)

# 检查特征的 shape 和邻接矩阵的有效性
assert len(params["infeats"].shape) == 2
assert (
    params["g_data"] is not None and params["indices"] is not None and params["indptr"] is not None
)
assert params["infeats"].shape[0] == params["indptr"].shape[0] - 1


输出结果:
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.feat will be deprecated, please use g.ndata['feat'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))

逐层叠加​

# 在 Relay 中定义输入特征、范数、邻接矩阵
infeats = relay.var("infeats", shape=features.shape)
norm = relay.Constant(tvm.nd.array(params["norm"]))
g_data = relay.Constant(tvm.nd.array(params["g_data"]))
indices = relay.Constant(tvm.nd.array(params["indices"]))
indptr = relay.Constant(tvm.nd.array(params["indptr"]))

Adjacency = namedtuple("Adjacency", ["data", "indices", "indptr"])
adj = Adjacency(g_data, indices, indptr)

# 构建 2 层 GCN
layers = []
layers.append(
    GraphConv(
        layer_name="layers.0",
        input_dim=infeat_dim,
        output_dim=num_hidden,
        adj=adj,
 input=infeats,
        norm=norm,
        activation=relay.nn.relu,
 )
)
layers.append(
    GraphConv(
        layer_name="layers.1",
        input_dim=num_hidden,
        output_dim=num_classes,
        adj=adj,
 input=layers[-1],
        norm=norm,
        activation=None,
 )
)

# 分析自由变量并生成 Relay 函数
output = layers[-1]

输出结果:

/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.feat will be deprecated, please use g.ndata['feat'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))

使用 TVM 编译和运行​

将权重从 PyTorch 模型导出到 Python 字典:

model_params = {}
for param_tensor in torch_model.state_dict():
    model_params[param_tensor] = torch_model.state_dict()[param_tensor].numpy()

for i in range(num_layers + 1):
    params["layers.%d.weight" % (i)] = model_params["layers.%d.weight" % (i)]
    params["layers.%d.bias" % (i)] = model_params["layers.%d.bias" % (i)]

# 设置 TVM 构建 target
target = "llvm" # 目前只支持 `llvm` 作为目标

func = relay.Function(relay.analysis.free_vars(output), output)
func = relay.build_module.bind_params_by_name(func, params)
mod = tvm.IRModule()
mod["main"] = func
# 使用 Relay 构建
with tvm.transform.PassContext(opt_level=0): # 目前只支持 opt_level=0
    lib = relay.build(mod, target, params=params)

# 生成图执行器
dev = tvm.device(target, 0)
m = graph_executor.GraphModule(lib["default"](dev))

运行 TVM 模型,测试准确性并使用 DGL 进行验证​

m.run()
logits_tvm = m.get_output(0).numpy()
print("Print the first five outputs from TVM execution\n", logits_tvm[:5])

acc = evaluate(dgl_g, logits_tvm)
print("Test accuracy of TVM results: {:.2%}".format(acc))

import tvm.testing

# 使用 DGL 模型验证结果
tvm.testing.assert_allclose(logits_torch, logits_tvm, atol=1e-3)

输出结果:

Print the first five outputs from TVM execution
 [[-0.21976954 -0.7979525   0.07836491  0.9232204  -0.93188703 -0.7732947
   0.9410008 ]
 [-0.4645713  -0.66060466 -0.17316166  1.1828876  -0.37051404 -0.5534965
   0.08579484]
 [-0.00308266 -0.41562504  0.0175378   0.47649348 -0.5886737  -0.3609016
   0.22782072]
 [-0.8559376  -0.8860172   1.4782399   0.9262254  -1.3099641  -1.0960144
  -0.09084877]
 [-0.07015878 -1.1651071   1.1452857  -0.35857323 -0.49377596 -0.22878847
   0.18269953]]
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.label will be deprecated, please use g.ndata['label'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
/usr/local/lib/python3.7/dist-packages/dgl/data/utils.py:286: UserWarning: Property dataset.test_mask will be deprecated, please use g.ndata['test_mask'] instead.
  warnings.warn('Property {} will be deprecated, please use {} instead.'.format(old, new))
Test accuracy of TVM results: 10.00%

下载 Python 源代码:build_gcn.py

下载 Jupyter Notebook:build_gcn.ipynb

神经信号建模与多模态时序对齐实战指南 神经信号建模是将生物电活动转化为可计算表征的基础过程,其核心在于理解非平稳、低信噪比、毫秒级时序数据的物理本质与统计特性;多模态时序对齐则解决fMRI、EEG、眼动等异构数据在微秒至秒量级的时间标度统一问题,依赖硬件同步、延迟标定与生物物理约束补偿。该技术组合显著提升脑机接口、癫痫预警与认知状态解码等任务的可靠性与临床可信度,支撑从实验室原型到边缘部署的闭环落地。本文聚焦神经信号建模与多模态时序对齐两大关键能力,在真实交叉场景中拆解接口重定义、特征蒸馏与可解释性实现路径。 阅读详情

相关推荐

300+机器视觉算法总结

Event-Based Vision(如EVDI):iCaRL(增量分类与表征)

qq_62784677的博客 1468

图卷积神经网络(GCN)

图卷积神经网络(GCN)的初级认识

Sky_小天 2万+

电力行业AI转型:从边缘感知到平台决策的三大核心层解析

人工智能技术正深刻改变传统工业体系,其核心在于构建从数据感知到智能决策的完整闭环。在工业智能化领域,边缘计算与数字孪生是实现这一闭环的关键技术。边缘计算通过在设备侧部署轻量级AI模型,实现数据的实时就地处理,解决了海量数据传输的带宽和时延瓶颈,让电网具备了“耳聪目明”的感知能力。而数字孪生则在云端构建物理系统的虚拟镜像,融合实时数据与物理规律,为复杂系统的模拟、预测和优化提供了“智慧中枢”。这两项技术的结合,使得AI能够从底层设备状态监测、故障预警,延伸至中层的负荷预测、潮流优化等核心业务,最终在发电、输电

weixin_33794672的博客 702

图卷积网络(Graph Convolutional Network, GCN)

GCN编码器的结构可以通过如下递归公式表示:初始状态下,经过 L层图卷积后,得到最终的节点表示。每层的图卷积通过聚合邻居信息、线性变换和非线性激活来更新节点表示。x_i。

weixin_44012667的博客 1825

实时运筹优化:城市交通AI调度的工程化落地实践

实时运筹优化(Real-time Combinatorial Optimization)是支撑高并发、低延迟城市服务系统的核心范式,其本质是在动态约束下对百万级资源进行毫秒级重分配。它融合多源异构数据融合与边缘-云协同推理,将GPS漂移校准、语义意图解析、行为模式蒸馏等数据提纯工艺转化为可执行决策。该技术不仅提升订单履约率与司机收入,更在动态定价、ETA预估、疲劳干预等关键场景中实现业务指标量化增长。本文以Uber生产级调度系统为蓝本,详解从分层优化架构、分钟级模型进化到区域化治理的全链路工程实践。

weixin_30904593的博客 415

Graph Convolutional Network (GCN) 图卷积网络

基本原理: 强烈推荐: 从CNN到GCN的联系与区别——GCN从入门到精(fang)通(qi) 主要内容:CNN,拉普拉斯矩阵,Graph上的傅里叶变换及卷积,Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似,降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式,其实是二阶Chebyshev多项式推导出的特例。 参考博客

酒酿小圆子呀~ 1万+

Matlab实现PCA-GCN主成分降维结合图卷积神经网络的数据多特征分类预测的详细项目实例

目录Mtfstltfsb实她PCTFS-GCN主成分降维结合图卷积神经网络她数据多特征分类预测... 1项目背景介绍... 1项目目标她意义... 1项目挑战... 2项目特点她创新... 3项目应用领域... 4项目效果预测图程序设计... 5项目模型架构... 5项目模型描述及代码示例... 5项目模型算法流程图(Pltfsintfxt 代码块)... 6项目目录结构设计及各模块功能说明... 8项目部署她应用... 8项目扩展... 11项目应该注意事项... 12项目未来改进方向... 12项目总结

优质创作者: 人工智能技术领域 对于有一定基础的 MATLAB和Python带具体需求都可以详谈 MATLAB和Python可以提供代码调试服务加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢 769

图卷积网络(GCN)从谱域理论到工业级图学习

图卷积网络(Graph Convolutional Network, GCN)是一类专门用于处理图数据的神经网络模型。它将图的拓扑结构与节点特征结合起来,通过图卷积操作来提取节点之间的关系和特征信息。相比传统的卷积神经网络(Convolutional Neural Network, CNN),GCN能够直接在不规则的图结构上运行,而无需将其转换为规则的网格数据。在深入了解图神经网络(Graph Neural Network, GNN)之前,需要理解图的基础知识。

hello.reader 2万+

DSL与光速极限引导:AI智能体优化GPU内核的工程实践

在GPU高性能计算领域,内核优化是提升计算效率的核心挑战。其原理在于通过精细调整内存访问模式、并行执行策略等,最大化利用硬件计算资源与带宽。这项技术的价值在于能够将计算密集型应用的性能推向硬件理论极限,广泛应用于科学计算、深度学习训练、图形渲染等场景。传统优化依赖专家经验与试错,效率低下。本文聚焦于结合领域特定语言(DSL)与屋顶线模型(光速极限)的AI智能体方法,为自动化优化提供结构化搜索空间与明确性能指引,显著提升优化效率与可解释性。

weixin_30892763的博客 530

图神经网络实战(7)——图卷积网络(Graph Convolutional Network, GCN)详解与实现

图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出,其理念是创建一种适用于图的高效卷积神经网络。在本节中,我们将讨论 Vanilla GNN 架构的局限性,并详细介绍 GCN 的工作原理,通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。

盼小辉丶的博客 2万+

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营04

典型值:λ1​∈[−0.02,−0.01], λ2​∈[−0.01,0], η1​,η3​∈[0.1,0.3], η2​,η4​∈[0.05,0.15]参数:δ1​∈[−0.8,−0.3], δ2​∈[−0.5,−0.2], δ3​∈[−0.4,−0.1], δ4​∈[−0.6,−0.2]参数:φ1​∈[0.1,0.3], φ2​∈[−0.2,−0.05], φ3​∈[−0.1,0.1], φ4​∈[−0.3,−0.1]参数:α∈[0.3,0.6], β∈[0.2,0.4], γ∈[0.01,0.03]

weixin_49199313的博客 1220

图卷积网络 GCN Graph Convolutional Network(谱域GCN)的理解和详细推导

文章目录1. 为什么会出现图卷积神经网络?2. 图卷积网络的两种类型2.1 vertex domain(spatial domain):顶点域(空间域)2.2 spectral domain:频域方法(谱方法)3. 什么是拉普拉斯矩阵?3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵(Symmetric normalized Laplacian)随机游走归一化拉普拉斯矩...

知行合一,止于至善 17万+

图卷积网络(Graph Convolutional Networks, GCN)详细介绍

Worldora-于 2021-02-17 10:50:40 发布分类专栏:机器学习笔记版权​编辑机器学习笔记专栏收录该内容4 篇文章8 订阅订阅专栏本文翻译自博客。在这篇博文中会为大家详细地介绍目前使用广泛的图神经网络——图卷积网络(Graph Convolutional Networks, GCN)的相关知识。首先将带领大家直觉上感受其工作原理,然后再介绍更深层的数学原理。

具身机器人和通用AI 3852

深度学习算法中的 图卷积网络(Graph Convolutional Networks)

通过将用户和物品表示为图的节点,并利用图卷积网络进行特征提取和分类,可以更好地捕捉用户和物品之间的复杂关系。图卷积网络的核心思想是利用邻接矩阵来描述图的拓扑结构,通过多层的图卷积操作,逐渐传播和聚合节点的信息。在每一层的图卷积操作中,通过考虑节点的邻居节点和它们之间的边的权重,将节点的特征进行更新和聚合。然而,近年来,一种新的深度学习算法——图卷积网络(Graph Convolutional Networks,GCN)逐渐崭露头角,成为了处理图数据的一种重要工具。然后,创建了一个图卷积网络模型实例​。

牛肉胡辣汤 2497

【深度学习】最强算法之:图卷积网络(GCN)

掌握了GNN, 就不得不掌握GCN

商务合作 | 面试培训 | 职场规划 ==>主页扫码 3252

基于UWB技术的自动跟随避障系统设计研究

基于UWB技术的自动跟随避障系统设计研究 摘要:目前我国针对自动跟随避障系统方面的研究较少,同时国内自动跟随避障系统仍然处在未成熟阶段,多数仍停留在应用蓝牙控制或摄像头捕捉这类跟随方式,但这类方式在实际应用过程中往往会出现易受干扰,精度差,易受环境干扰等问题,这不仅会降低自动跟随避障系统的性能,同时也会对用户造成诸多困扰。因此,就需要结合目前较为有效的UWB技术,对自动跟随避障系统进行设计。基于此,本文首先将会针对UWB技术展开概述,而后对基于UWB技术的自动跟随避障系统组成展开分析,进而对基于UWB技术的

qq_43543515的博客 7994

图卷积网络(Graph Convolutional Network)

转载+整理:https://blog.youkuaiyun.com/qq_41727666/article/details/84622965 序 — 图简介,图卷积网络的出现。 图(graph)是一种数据格式,它可以用于表示社交网络、通信网络、蛋白分子网络等,图中的节点表示网络中的个体,连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据,因此图卷积神经网络的出现为这些...

lijunweiyhn的博客 3万+

NXP S32K5 MCU如何赋能Zonal架构与软件定义汽车?

汽车电子架构正从分布式ECU向域集中、再向Zonal分区架构演进,核心驱动力在于线束简化、算力下沉与软件分层解耦。区域控制器作为物理区域的“调度员”,需要同时满足实时响应、功能安全、多网络协议转换和OTA升级等要求,这使MCU与SoC的选型成为系统工程的关键决策。MCU凭借确定性的微秒级启动、低功耗、丰富的IO控制以及成熟的ASIL-D认证路径,仍是区域控制器的主流选择。NXP S32K5正是面向这一场景发布的系列MCU:它集成多核锁步、CAN-XL、TSN以太网、硬件安全模块与双Bank Flash,补齐

weixin_28721917的博客 359
上一篇: 含 14 万张图像!华中科技大学发布高质量甲骨文数据集,助力团队摘冠 ACL 最佳论文
下一篇: 29:9!加州AI监管法案获参议院批准,杨立昆等人曾痛批;Neuralink首位患者重获新生!世界最大蛋白质相互作用数据库面世
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值