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
200+累计阅读
272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
图卷积网络（Graph Convolutional Network，简称GCN）是一种能够处理图数据的深度学习模型。在本文中，我们将使用PyTorch和PyG（PyTorch Geometric）库来实现GCN，并展示如何在图数据上进行节点分类任务。
GCN的基本原理是通过在图上进行卷积操作来捕捉节点和其邻居节点之间的关系。算法使用节点的特征向量和邻居节点的特征向量来更新节点的表示。在每一层的卷积中，GCN会聚合邻居节点的特征并将其与目标节点的特征进行组合。
接下来，我们将从数据准备、GCN模型定义和训练过程三个方面介绍如何使用PyTorch和PyG来实现GCN。
import torch
from torch_geometric.datasets import Planetoid
from torch_geometric.data Pytorch实现GCN(基于Message Passing消息传递机制实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
PyG使用GCN进行MNIST图像分类：方法一
相比之下，图卷积网络（GCN）利用图结构信息，能够更好地处理非欧几里得数据（如社交网络、推荐系统等）。图像分类是计算机视觉中的一个基本任务，而MNIST数据集是一个经典的手写数字图像分类问题。在这篇文章中，我们将介绍如何使用PyTorch Geometric（PyG）库和图卷积网络（GCN）来实现MNIST图像分类任务。通过构建图结构并训练GCN模型，我们可以获得令人满意的分类精度。在GCN中，我们将每个像素作为一个节点，并通过相邻像素之间的连接形成一个图结构。在本例中，我们使用两层的GCN网络。
使用PyG实现基于GCN的图分类任务
在这篇文章中，我们将使用PyG（PyTorch Geometric）库来实现基于图卷积网络（Graph Convolutional Network，GCN）的图分类任务。我们通过定义GCN模型、加载数据集、训练模型和评估性能的步骤，完成了一个完整的图分类流程。Planetoid是一个常用的图数据集，包含三个图分类任务：Cora、CiteSeer和PubMed。通过运行上述代码，我们可以实现基于GCN的图分类任务。可以根据需要调整模型的超参数，如隐藏层大小、学习率和训练轮数等，以获得更好的性能。
使用PyG实现基于GCN的节点分类任务
每个GCN层都由GCNConv类实现，其中第一个GCN层的输入特征数为num_features，输出特征数为hidden_size；在forward方法中，我们对输入特征进行两次GCN运算，并使用ReLU激活函数和dropout操作。其中，图卷积网络（Graph Convolutional Network，简称GCN）是最常用和经典的GNN模型之一。在训练循环中，我们首先将梯度清零，然后前向传播得到输出，并计算损失。通过运行上述代码，我们可以实现基于GCN的节点分类任务。首先，我们需要安装所需的依赖库。
Python-PyTorch实现的ClusterGCN一种用于训练深度和大型图形卷积网络的高效算法
A PyTorch implementation of "Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks" (KDD 2019).
方差分析ANOVA、T检验、卡方检验的区别
T检验和ANOVA都是用来看样本之间均值是否相等，但是两者又有什么区别呢？ 卡方检验是用来看分类变量之间有没有相关性。 自变量X类型 自变量X组数 因变量Y类型 分析方法 离散（类别） 仅仅2组 连续（均值） t检验 离散（类别） 2组及以上 连续（均值） ANOVA 离散（类别） 2组及以上 离散（类别） 卡方检验 进一步细分 方差分析 从理论上讲，方差分析有两个前提条件，一是因变量Y需要满足正态性要求，二是满足方差齐检验。 方差不齐时可使用‘非参数检验’，同时还可使用wel
黑猫带你学UFS协议第8篇：UFS电气特性详解（Power、CLK、Reset等）
UFS强制支持secure mode。UFS设备可能会存储个人或者公司的信息，UFS提供把数据永久从设备上移除的功能，并且保证对存储介质进行逆向恢复数据也恢复不回来原有数据。安全模式是以逻辑单元为单位进行应用的，不同的逻辑单元可以有不同的安全模式。由于UFS设备的存储介质不同，所以把数据安全从存储介质上移除方式会有不同，spec提供了三种通用的移除方法，UFS设备至少支持其中一种。● 对存储的位置进行一次擦除操作。● 对存储的位置使用单一字符（比如0xAA）覆盖写，然后进行擦除。.........
智能挂锁软件需求规格说明书（SRS）
智能挂锁系统SmartPadlockV1.0是一款融合蓝牙通信、指纹识别和远程控制技术的便携式安防设备。系统由设备端、移动App和云平台三部分组成，支持蓝牙配对（10米内）、指纹识别、OTP一次性密码等多种开锁方式，响应时间＜1.5秒。产品采用SM2/SM4加密技术保障安全，日均20次使用下续航达180天，兼容iOS13+/Android8.0+系统。功能包括设备绑定、远程授权、开锁记录查询和OTA固件升级，符合个人信息保护法规要求，适用于仓储、快递柜等多场景应用。
dolphinscheduler-3.4.0
dolphinscheduler集群部署
vue2/3 - 详细实现高德地图轨迹回放，vue高德地图车辆历史行驶轨迹播放，在地图上绘制行程轨迹|起点和终端的路程绘制|用户运动轨迹绘制及播放等（支持开始/暂停、进度条拖放、控制播放轨迹的倍速等）
vue2，vue3，nuxt，高德地图，轨迹，vue高德地图轨迹回放，历史轨迹回放，轨迹回放功能支持倍速及进度条拖拽，VUE高德地图轨迹回放、倍速调整、进度条拖拽，vue3高德地图轨迹回放，Vue实现地图路径回放，vue中使用高德地图实现历史轨迹回放并能控制播放轨迹的倍速，多条轨迹陆续播放，巡航轨迹做带进度条和倍速的轨迹回放，Vue高德地图路径回放，历史轨迹回放并能控制播放轨迹的倍速，使用高德地图实现轨迹播放和进度条控制，vue高德地图如何实现轨迹回放，高德地图做轨迹绘制用什么api，高德轨迹API，驾车轨
浏览器解析HTML的过程及编程实现
需要注意的是，上述示例代码只是简化的演示，并未涵盖浏览器解析HTML的所有细节和复杂性。实际上，浏览器的HTML解析引擎还会处理一系列的特殊情况、错误容错和性能优化等方面的内容，以确保能够正确解析各种类型的HTML代码。HTML（超文本标记语言）是构建网页的基础语言，浏览器负责将HTML代码解析并渲染成可视化的网页。本文将详细介绍浏览器解析HTML的过程，并提供相应的编程示例代码。希望以上内容能帮助您理解浏览器解析HTML的过程，并通过提供的示例代码更好地了解如何在编程中实现这一过程。
LPDDR6与LPDDR5 ZQ Calibration技术探讨
LPDDR6与LPDDR5 ZQ Calibration技术探讨
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
6033
扫一扫
