<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[model2018的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/model2018</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; model2018]]></copyright><item><title><![CDATA[基于图神经网络的节点表征学习]]></title><link>https://blog.youkuaiyun.com/model2018/article/details/118075368</link><guid>https://blog.youkuaiyun.com/model2018/article/details/118075368</guid><author>model2018</author><pubDate>Sun, 20 Jun 2021 21:32:48 +0800</pubDate><description><![CDATA[引言
在图节点预测或边预测任务中，需要先构造节点表征（representation），节点表征是图节点预测和边预测任务成功的关键。在此篇文章中，我们将学习如何基于图神经网络学习节点表征。
在节点预测任务中，我们拥有一个图，图上有很多节点，部分节点的预测标签已知，部分节点的预测标签未知。我们的任务是根据节点的属性(可以是类别型、也可以是数值型)、边的信息、边的属性（如果有的话）、已知的节点预测标签，对未知标签的节点做预测。
我们将以Cora数据集为例子进行说明，Cora是一个论文引用网络，节点代表论文，如果两]]></description><category></category></item><item><title><![CDATA[消息传递图神经网络]]></title><link>https://blog.youkuaiyun.com/model2018/article/details/118074984</link><guid>https://blog.youkuaiyun.com/model2018/article/details/118074984</guid><author>model2018</author><pubDate>Sun, 20 Jun 2021 21:16:03 +0800</pubDate><description><![CDATA[一、引言
我们将学习基于神
经网络的生成节点表征的范式——消息传递范式。消息传递范式是一种聚
合邻接节点信息来更新中心节点信息的范式，它将卷积算子推广到了不规
则数据领域，实现了图与神经网络的连接。此范式包含三个步骤：(1)邻接
节点信息变换、(2)邻接节点信息聚合到中心节点、(3)聚合信息变换。
Pytorch Geometric中的MessagePassing基类
Pytorch Geometric(PyG)提供了MessagePassing基类，它实现了消息传
播的自动处理，继承该基类可使我们方便地构]]></description><category></category></item><item><title><![CDATA[怎么样做一名合格的程序猿]]></title><link>https://blog.youkuaiyun.com/model2018/article/details/117998261</link><guid>https://blog.youkuaiyun.com/model2018/article/details/117998261</guid><author>model2018</author><pubDate>Thu, 17 Jun 2021 17:45:03 +0800</pubDate><description><![CDATA[一、学习能力
作为编程人员或IT人员，可以学习的技术太多，新的技能和模型技术层出不穷、日新月异。每年的新paper看都看不过来，主要的学习能力在于判断哪些可以晚点学、哪些可以在工作中慢慢学、哪些不需要学，把主要的精力和时间花在任务主线上。
二、打基础能力
正因为知识和信息迭代过快，才更需要打基础，看似矛盾，实际情况是，需要有能力找出在五年、十年后仍然有用的知识和技能，使自己在有限时间和精力下始终保持在技术前沿。对于那些每年更新的技术，投入较少的精力。相反地，一些理论知识、能够有效提升效率的支持工具等应该投入]]></description><category></category></item><item><title><![CDATA[2021-06-15]]></title><link>https://blog.youkuaiyun.com/model2018/article/details/117928943</link><guid>https://blog.youkuaiyun.com/model2018/article/details/117928943</guid><author>model2018</author><pubDate>Tue, 15 Jun 2021 17:21:33 +0800</pubDate><description><![CDATA[图结构数据
图的表示
定义⼀（图）：
⼀个图被记为G={v,e} ，其中 是数量为N=|v| 的节点的集合，e={e1,e2,em}是数量为M的边的集合。
图⽤节点表示实体（entities ），⽤边表示实体间的关系（relations）。
节点和边的信息可以是类别型的（categorical），类别型数据的取值只能是哪⼀类别。⼀般称类别型的信息为
标签（label）。
节点和边的信息可以是数值型的（numeric），数值型数据的取值范围为实数。⼀般称数值型的信息为属性
（attribute）。
在图的计算]]></description><category></category></item><item><title><![CDATA[逻辑回归到底抽样还是不抽样]]></title><link>https://blog.youkuaiyun.com/model2018/article/details/103591103</link><guid>https://blog.youkuaiyun.com/model2018/article/details/103591103</guid><author>model2018</author><pubDate>Wed, 18 Dec 2019 08:48:03 +0800</pubDate><description><![CDATA[正常情况下，在使用逻辑回归建模时，都需要对好坏样本分层抽样，至少抽到好坏比达到1：10到1：1，比较理想，但很多时候坏样本比较少，数据不平衡，一样要把好样本抽到和坏样本一样少，似乎没有意义。但如不抽会不会影响模型？以下代码使用SAS工具在正态分布随机数据上建立逻辑回归。

/通过修改原文代码，尝试不同好坏比的数据得到结论：
1.截距越小数据越平衡
2.在X是正态分布的情况下，即使数据不平衡，抽样再...]]></description><category></category></item></channel></rss>