蓦然回首

使用GNN的原因：图结构数据的表示一般是不规则，传统的CNN等模型无法直接运用在图数据上，所以需要在图上重新定义卷积操作。其中要着重考虑感受野如何定义，节点的顺序性如何定义，如何进行池化操作。具体有以下三点：CNN无法处理Non Euclidean Structure的数据，学术上的表达是传统的离散卷积在Non Euclidean Structure的数据上无法保持平移不变性。通俗理解就是在拓扑图中每个顶点的相邻顶点数目都可能不同，那么当然无法用一个同样尺寸的卷积核来进行卷积运算 由于CNN无法处

import osimport re# 遍历指定目录，显示目录下的所有文件名def eachFile(filepath): pathDir = os.listdir(filepath) for allDir in pathDir: child = os.path.join('%s\%s' % (filepath, allDir)) if os.path.isfile(child): readFile(child) print(child.decode('gbk'))

这个坑实在太深了，总结几位大佬博客，汇总了可能出现的问题。愿为后人照福吧。步骤1. 需要安装perl解释器(ubuntu 系统已自带, 通过perl -v可查看当前版本)；2. 需要额外安装perl解释器的XML::DOM模块以及DB_File模块，而XML::DOM的安装又需要XML::RegExp、XML::Parser、LWP::UserAgent和XML::Parser::Pe...

1. json的序列化与反序列化json的使用需要导入该模块，一般使用import json即可。json的序列化方法1：json.dumps(obj)例如：f = open('file.txt','w') json.dumps(f.write([1,2,3,])) f.close()#使用该方法把内存数据以字符串的格式存储到文件中。方法2：json.dump(obj,f...

import tensorflow as tffrom numpy.random import RandomState#### 1. 定义神经网络的参数，输入和输出节点。batch_size = 8w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))w2= tf.Variable(tf.random_normal([3, 1

import numpy as npfrom functools import reduceclass Perceptron(object): def __init__(self, input_num, activator): self.activator = activator self.weights = [0.0 for _ in range(inp

import numpy as npfrom functools import reduceclass Perceptron(object): def __init__(self, input_num, activator): self.activator = activator self.weights = [0.0 for _ in range(inpu

import matplotlib.pyplot as pltimport numpy as npclass IdentityActivator(object): def forward(self, weighted_input): return weighted_input def backward(self, output): return 1c

import numpy as npfrom functools import reducedef element_wise_op(array, op): for i in np.nditer(array, op_flags=['readwrite']): i[...] = op(i)class ReluActivator(o

import tensorflow as tffrom numpy.random import RandomState#### 1. 定义神经网络的参数，输入和输出节点。batch_size = 8w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))w2= tf.Variable(tf.random_normal([3, 1

import randomfrom numpy import *from functools import reducedef sigmoid(inX): return 1.0 / (1 + exp(-inX))class Node(object): def __init__(self, layer_index, node_index): self.layer_

CNN:1）卷积：对图像元素的矩阵变换，是提取图像特征的方法，多种卷积核可以提取多种特征。一个卷积核覆盖的原始图像的范围叫做感受野（权值共享）。一次卷积运算(哪怕是多个卷积核)提取的特征往往是局部的，难以提取出比较全局的特征，因此需要在一层卷积基础上继续做卷积计算，这也就是多层卷积。2）池化：降维的方法，按照卷积计算得出的特征向量维度大的惊人，不但会带来非常大的计算量，而且容易出现过拟合，解决过

import numpy as npclass IdentityActivator(object): def forward(self, weighted_input): return weighted_input def backward(self, output): return 1class TreeNode(object): def

起源根据神经网络运行过程中的信息流向，可分为前馈式和反馈式两种基本类型。前馈网络的输出仅由当前输入和权矩阵决定，而与网络先前的输出状态无关。美国加州理工学院物理学家J.J.Hopfield教授于1982年提出一种单层反馈神经网络，后来人们将这种反馈网络称作Hopfield 网。网络的状态 ：DHNN网中的每个神经元都有相同的功能，其输出称为状态，用 xj 表示。 所有神经元状态的集合就构

import numpy as npx = np.array([[1,0,0], [1,0,1], [1,1,0], [1,1,1]])y = np.array([[0,1,1,0]])v = np.random.random((3,4))*2-1w = np.random.random((4,1))*2-1pr

import numpy as npimport neurolab as nlimport matplotlib .pyplot as plttarget = np.array([[0,0,0,0,0,0,0,0, 0,0,0,1,1,0,0,0, 0,0,1,0,0,1,0,0,