图神经网络工具篇

原创 已于 2024-06-21 16:28:42 修改 · 379 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #人工智能 #深度学习 #图神经网络

于 2024-06-14 19:43:51 首次发布
部署运行你感兴趣的模型镜像

DGL

DGL，Deep Graph Library由纽约大学和亚马逊联手推出的图神经网络框架。

PYG

基于PyTorch构建的几何深度学习扩展库，可以利用专门的CUDA内核实现高性能.

NetWorkx

用Python语言开发的图论与复杂网络建模工具，内置了常用的图与复杂网络分析算法，可以方便地执行分析复杂网络数据、仿真建模等任务。

参考

图神经网络DGL库

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

图神经网络实战（19）——异构图神经网络
盼小辉丶的博客
08-26 7917
异构图由不同类型的节点和边组成，可以表示实体之间的各种关系，这比单一类型的连接具有更高的表达能力。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用于异构图。首先，我们将创建自定义异构数据集。然后，将同构架构转化为异构架构。
图神经网络实战（5）——常用图数据集
盼小辉丶的博客
03-20 9404
Cora 和 Facebook Page-Page 是图神经网络领域中经常使用的两个基准图数据集，通常用来比较不同模型的性能。在本节中，介绍了如何使用 PyTorch Geometric 库提供的数据集类加载 Cora 和 Facebook Page-Page 数据集，并探索了两个数据集的主要特征。
图神经网络初探
Kaiyuan_sjtu的博客
10-03 8248
介绍随着图神经网络（Graph Neural Networks，GNN）热潮的出现，了解、掌握图神经网络相关原理以及应用相关技术越来越成来从事人工智能人员的必要条件。本文主要概述图神经网络...
8个图神经网络的典型用例
新缸中之脑
05-26 2278
图数据遍布全球：任何由实体及其关系组成的系统都可以用图形表示。尽管过去十年来，深度学习算法在自然语言处理、计算机视觉和语音识别等领域取得了突出进展，因为它们能够通过非线性层从数据中提取高级特征，但大多数深度学习架构都是专门针对欧几里得结构化数据（如表格数据、图像、文本和音频）量身定制的，而图形数据则在很大程度上被忽略了。传统的人工智能方法旨在从由某种“刚性”结构编码的对象中提取信息。例如，图像通常被编码为固定大小的二维像素网格，文本被编码为一维单词序列（或标记）。
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 92万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
图神经网络（GNN）简介
陨星落云的博客
10-06 1万+
资料来源：Manuchi，通过图片（CC0） Graph Neural Network（GNN）由于具有分析图形结构数据的能力而受到了广泛的关注。本文对Graph Neural Network进行了简要介绍。它涵盖了一些图论，以便于理解图和分析图时遇到的问题。然后介绍了不同形式的Graph神经网络及其原理。它还涵盖了GNN可以做什么以及GNN的一些应用。 图论 首先，我们需要知道什么是图。 图是一种由两个部分组成的数据结构：顶点*和edge*。它用作分析对象和实体之间成对关系的数学结构。通常，将图定义为G.
时空图神经网络5——TCN
m0_51501260的博客
05-11 3673
在 TCN 出现之前，深度学习背景下的序列建模主题主要与递归神经网络架构有关，如RNN、LSTM、GRU。在很多任务中发现，卷积网络可以取得比 RNNs 更好的性能，同时避免了递归模型的常见缺陷，如梯度爆炸/消失问题或缺乏内存保留。
基于图神经网络的节点表征
weixin_44133327的博客
06-24 1931
我们使用图神经网络来生成节点表征，并通过基于监督学习的对图神经网络的训练，使得图神经网络学会产生高质量的节点表征。高质量的节点表征能够用于衡量节点的相似性，同时高质量的节点表征也是准确分类节点的前提。 在节点预测任务中，我们拥有一个图，图上有很多节点，部分节点的标签已知，剩余节点的标签未知。将节点的属性（x）、边的端点信息（edge_index）、边的属性（edge_attr，如果有的话）输入到多层图神经网络，经过图神经网络每一层的一次节点间信息传递，图神经网络为节点生成节点表征。其大致任务是根据节点的属性
1_图神经网络GNN基础知识学习
Waldocsdn的博客
09-17 2866
图神经网络GNN理论学习和实践
图神经网络简介（一）
梦想是要有的，万一实现了呢！
01-28 6551
【原文地址】【视频讲解】 【引言】 神经网络已经适应于利用图的结构和属性。 我们探索构建图神经网络所需的组件 - 并激发它们背后的设计选择。 【注】我们可以看到每一个节点是和下层某几个节点计算而来。顶部的节点由他的邻居的节点计算，越顶层，关系的邻居越多。这也是图神经网络如何利用图的结构化信息来处理信息的。 本文是关于图神经网络的两篇 Distill 出版物之一。 查看了解图上的卷积以了解图像上的卷积如何自然地推广到图上的卷积。【有两篇关于图卷积，本篇比较基础】 ...
精选资源
TAMU首篇《图神经网络自监督学习》综述论文
03-01
图神经网络作为处理图结构数据的强有力工具，对于图中的节点、边和整个图结构进行有效编码。自监督学习在图数据上的应用，拓展了图神经网络的训练方式，特别是在面对大规模图数据时，无需全部的标注信息，自监督学习...
精选资源
ICLR 2021上与【图神经网络（GNN）】相关的论文（五篇）
02-28
图神经网络（GNN）是近年来在机器学习领域迅速崛起的一种强大的模型，尤其在处理非欧几里得数据，如图结构数据时表现卓越。在ICLR 2021这样的顶级会议上，GNN的相关研究得到了广泛的关注。这表明GNN不仅在理论层面...
精选资源
图卷积神经网络综述，一篇文章搞定图卷积神经网络
11-21
图卷积神经网络（Graph Convolutional Networks, GCN）是一种深度学习模型，它扩展了传统的卷积神经网络（CNN）以处理非欧几里得数据，如图形或网络结构。GCN在处理社交网络、交通网络、化学分子结构等多种复杂数据...
【计算机视觉（16）】语义理解-训练神经网络1_激活_预处理_初始化_BN
hiliang521的博客
12-18 683
【计算机视觉（16）】语义理解-训练神经网络1_激活_预处理_初始化_BN
5. pytorch第一个神经网络
qq_61875563的博客
12-22 949
本文介绍了使用PyTorch构建简单前馈神经网络进行二分类任务的方法。第一部分展示了基础实现流程，包括数据准备、模型定义（10-5-1结构）、训练循环和结果可视化。第二部分通过散点图分类任务，演示了神经网络处理非线性决策边界的能力（圆形分类）。代码采用nn.Sequential简化模型构建，并详细讲解了各组件功能，如ReLU激活函数和Sigmoid输出层的作用。通过损失曲线和预测结果的可视化，直观呈现了模型的学习过程，为后续更复杂网络（如CNN）的学习奠定了基础。
Franka Research 3 进阶应用：基于神经网络的 ORACLE 交互控制策略深度解析
Hinyeung2021的博客
12-19 956
本文针对工业协作场景中机械臂力跟踪精度不足的问题，提出ORACLE新型控制策略。该策略基于Franka Research3机械臂，在传统阻抗控制器基础上引入前馈神经网络学习环境交互动力学，并通过最优残余动作算法实时修正控制指令。实验表明，ORACLE使力追踪误差降低2.67-4.64倍，有效消除超调现象，在动态信号追踪中表现优异。这种"基础控制保安全+AI优化提精度"的混合架构为智能机器人交互控制提供了新思路，具有重要应用价值。
FINN：FPGA AI 推理新范式 —— 定制化、高性能、量化神经网络编译器框架
OpenFPGA的博客
12-22 632
FINN 是一个由 Xilinx（现 AMD Research）集成通信与 AI 实验室开源的机器学习框架，它提供了一个端到端的方案，用于探索和实现 量化神经网络（QNN）在 FPGA 上的高效推理加速器。FINN 内置大量基于 Vitis HLS 和 RTL 的流式组件模板，每个组件代表神经网络中的一层，如卷积、线性层等，这些模块可以按需组合生成硬件设计。与传统库不同，FINN 不只是一个简单的硬件调用层，而是 编译器级框架：即输入网络模型，输出完整可合成的硬件设计。
DNN案例一步步构建深层神经网络（4）
Lynn121的博客
12-19 218
四、对于构建的深层神经网络的应用。
论文解析-《针对忆阻神经网络加速器的混合粒度剪枝方法研究》
最新发布
m0_58966968的博客
12-23 595
摘要：针对忆阻器神经网络加速器面临的剪枝难题，本文提出一种混合粒度剪枝方法。该方法创新性地结合细粒度剪枝（保留关键权重）和结构化剪枝（整列删除冗余），通过ADMM算法动态评估权重冗余度，实现硬件效率与模型精度的平衡。实验表明，在AlexNet和VGG16模型上分别实现23.7倍和21.7倍压缩率，精度损失仅0.16%-0.41%，同时降低95%以上的硬件能耗。该研究为存算一体芯片设计提供了有效的模型压缩方案。
图神经网络深度解析：方法与应用
"这篇论文是关于图神经网络的综述，涵盖了各种方法和应用，作者包括Jie Zhou、Ganqu Cui、Zhengyan Zhang等。文章讨论了图神经网络在处理包含丰富元素间关系的图数据时的重要性和优势，如物理系统建模、分子指纹学习...
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

所谓远行Misnearch

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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