墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
96平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
目录
内容寻址与不可变数据对象（Content-Addressable Storage）
第12.3 节 实现与加速要点（稀疏算子、硬件优化、低精度与推理批处理）
内存占用与梯度检查点（gradient checkpointing）
低精度训练（FP16 / BF16 / 8-bit）与数值稳定性
本章集中讨论大规模图神经网络系统中数据管道与预处理的理论基础、算法推导与工程实现要点。所给内容以数学/算法推导为主，目标为教材中“算法原理”与工程实现章的可直接使用条目：定义精确、推导严密、步骤完整，可作为实现与验证的规范。
使用GNN求解组合优化问题
记录了一篇挺有意思的论文：Combinatorial Optimization with Physics-Inspired Graph Neural Networks，用物理启发的图神经网络解决组合优化问题，顺便试了试用它做区间调度。
【图神经网络】图神经网络(GNN)学习笔记：基于GNN的图表示学习
本文主要就基于GNN的无监督图表示学习进行详解。在实际的应用场景中，大量的数据标签往往具有很高的获取门槛，研究如何对图数据进行高效的无监督表示学习具有十分重要的价值。
人工智能任务17-关于GNN与GCN建模流程实例，包括GNN与GCN的原理，完整的代码实现过程
图神经网络（Graph Neural Networks, GNNs）是一种能够直接处理图结构数据的深度学习模型。这类模型特别适合于那些天然具有复杂相互连接的数据集，比如社交网络中的用户关系、分子结构中不同原子间的化学键等。在近年来的人工智能研究领域里，GNN 已经成为了分析和理解这些非欧几里得空间内信息传递模式不可或缺的技术之一。图神经网络是指一类基于图论的机器学习架构，其设计目的是为了从节点特征以及边（即节点之间的连接）上提取有用的信息。
几种GNN模型的应用与改进
近期又陆续看了一些关于GNN的文章，这些文章总体上都是想要解决一个问题，就是如何从大规模图数据中，能有效嵌入节点和拓扑结构的信息，同时降低计算的复杂度，缓解过拟合的风险。有效地对图结构数据的节点进行embedding就需要考虑数据本身的特征，同时也要考虑不同应用场景以及下游任务的目标。 在实际场景中，图数据本身就是错综复杂的，节点直接的联系有些是我们可以从先验知识中得到的，有些是无法直接定义，或者需要从模型中隐式地学习。关于图的描述和学习就有很多方法，比如从邻近的定义有deepwalk、Node2Vec、m
【图神经网络】图神经网络(GNN)学习笔记：GraphSAGE
图神经网络GNN学习笔记：GraphSAGEGraphSAGE概述GraphSAGE算法原理采样邻居节点聚合邻居GraphSAGE算法过程参考资料 GCN是一种在图中结合拓扑结构和顶点属性信息学习顶点的embedding表示的方法。然而GCN要求在一个确定的图中去学习顶点的embedding，无法直接泛化到在训练过程没有出现过的顶点，即属于一种直推式(transductive)的学习。 GraphSAGE概述 本文介绍的GraphSAGE则是一种能够利用顶点的属性信息高效产生未知顶点embedding的一种
图（Graph）和 图神经网络（Graph Neural Networks, GNN）
图（Graph）是一种表示实体及其关系的数据结构，数学上定义为 G=(V,E)G = (V, E)G=(V,E)，其中：图的类型包括：每个节点可以有特征向量 xv∈RFx_v \in \mathbb{R}^Fxv∈RF，表示节点的属性；边也可以有特征 euve_{uv}euv，表示关系的属性。图神经网络（Graph Neural Networks, GNN） 是一类专门设计用于处理图结构数据的神经网络。GNN通过利用图的拓扑结构（节点和边的连接关系），学习节点、边或整个图的表示（embedding），用
深度学习模型：图神经网络（GNN）详解
图神经网络（GNN）作为一种专门用于处理图结构数据的深度学习模型，在多个领域取得了显著成果。随着研究的深入和技术的不断发展，GNN将在更多领域得到应用和推广。未来，GNN的研究方向可能包括更加高效的图嵌入方法、融合不同尺度的信息、探索图表示学习在更多领域的应用等。同时，也需要关注GNN模型的可解释性和鲁棒性等问题，以推动GNN技术的进一步发展。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
Python机器学习实战：实战图神经网络(GNN)在社交网络分析中的应用
Python机器学习实战：实战图神经网络(GNN)在社交网络分析中的应用 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：社交网络分析, 图神经网络 (GNN), 社交图谱, 异质信息网络 (HIN), 社区
图神经网络原理与代码实战案例讲解
在数据科学和机器学习领域，我们经常遇到需要处理结构化数据的情况。结构化数据可以以图形的形式表示，其中节点代表实体，边代表实体之间的关系。例如，在社交网络中，用户是节点，用户之间的友谊或关注是边；在蛋白质相互作用网络中，蛋白质是节点，它们之间的相互作用是边。这些场景通常可以用图数据表示，而处理图数据的一种有效方法是使用图神经网络（Graph Neural Networks, GNNs）。GNNs 通过迭代地更新节点特征，实现对图结构数据的深度学习。
图神经网络VHL_GNN：从理论到实战
图神经网络（Graph Neural Network, GNN）是深度学习领域中一类新兴的网络模型，它在处理图结构数据方面展现了强大的能力。本章将概述GNN的基本概念，探讨其在不同领域的应用前景，并为读者深入理解后续章节打下坚实的基础。GNN将图结构数据作为输入，通过递归聚合邻居节点信息，来学习节点的表示（embedding）。这一过程通过迭代地传递和聚合信息来实现，其中每一个节点的嵌入能够捕获图的局部拓扑信息和节点属性。
解决鸿蒙/荣耀设备GMS应用调试中的“Play保护机制认证”报错
本文详细解析了在鸿蒙或荣耀设备上调试GMS应用时，遇到“Play保护机制认证”报错的根本原因与解决方案。核心在于获取设备的GMS Device ID，并通过Google官方渠道完成临时注册，从而绕过认证限制。文章提供了无需Root和ADB查询两种具体方法，并分享了授权后的故障排查与实战经验，帮助开发者高效解决问题。
WS2812B非标准通信协议：手把手实现精准时序控制
详解WS2812B的精准时序实现原理，剖析其非标准通信协议的关键细节。通过实际操作指导，帮助开发者稳定驱动ws2812b灯带，解决常见时序偏差问题，提升项目显示效果与响应一致性。
转录组PCA分析3大常见误区：数据标准化、离群样本与批次效应处理
本文深入探讨转录组PCA分析中的三大常见误区：数据标准化、离群样本识别与批次效应处理。通过实战案例和R代码演示，揭示如何优化PCA结果以提升生物学解释力，特别关注数据标准化策略的选择和批次校正方法的应用，帮助研究者避免常见陷阱并获得可靠的转录组分析结果。
yandex 不定长旋转验证码PPOCR识别案例
可以看到，此种验证码非常变态，旋转角度不固定，干扰背景不固定，字符长度不固定，弯曲形变都是不固定的，在人眼都很难分辨验证码的情况下，其实都是对于模型来讲，也是比较困难的哈哈，传统验证码可能小几百张就能达到很好的效果了，是因为，验证码难度比较简单，通常都是4,6位定长，但是对于模型而言，无非就是增加数据量。由于该验证码的复杂度，自己写一个rcnn或者其他模型，来优化改数据集进行训练变的尤为困难复杂，所以这里强烈推荐百度飞桨的开源模型。在得到较好的loss后，导出模型。如有侵犯，请联系作者下架。
智能Agent如何重塑企业流程
在当今数字化时代，企业流程的效率和敏捷性至关重要。传统企业流程往往受限于人工操作，效率低下、成本高昂，难以适应快速变化的市场环境。智能Agent作为一种新兴技术，凭借其强大的智能化能力，正在逐渐改变企业流程的运作模式，为企业带来新的机遇和挑战。智能Agent是一种能够感知环境、自主决策、执行任务的软件实体。它可以模拟人类的智能行为，例如学习、推理、规划和沟通。通过将智能Agent嵌入到企业流程中，可以实现流程的自动化、优化和智能化，从而提高效率、降低成本、提升客户体验。8.1 研究成果总结。
第一章 DRM 子系统概述：1.2 专栏定位与技术覆盖范围
本专栏系统解析Linux内核DRM图形子系统的核心技术，涵盖GEM对象管理、TTM内存机制、DRM-Fence同步等核心模块，深入剖析DMA-BUF共享、DMA_Resv资源管理等关键技术。通过解读内核源码与用户态接口(libdrm)，结合进程管理、匿名inode等底层机制，构建完整的DRM知识体系。专栏兼顾深度与易懂性，辅以实际应用场景分析，既适合图形驱动开发新手入门，也可满足资深工程师进阶需求，帮助读者掌握从内核实现到应用开发的全栈知识。
YOLOv5入门实践（1）——手把手带你环境配置搭建
YOLOv5入门实践第一步，手把手带你配置环境
华为OD机试新系统真题 【LLM推理批次最大化】
华为OD机试 新系统真题【LLM推理批次最大化】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题【LLM推理批次最大化】多语言题解。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
8813
扫一扫
