U got this

import torch as thimport numpy as npfrom torch import nnXavier 初始化：饱和函数class Model(nn.Module): def __init__(self, activation): super(Model, self).__init__() self.linear = nn.Linear(in_features=3, out_features=3, bias=True)

在文章 代码库：DGL_基本框架 中出现的代码文件 dgl_1_gcn.pyimport dglimport torchimport torch.nn as nn # torch 模型层import torch.nn.functional as F # torch 函数 包括激活函数等import torch.optim as optimfrom dgl.nn import GraphConv # 图模型层import dgl.data # 图数据集import time# 构造一.

文章目录创建HGNN查看HGNN属性与编号节点（边）特征metapath根据metapath取子图HGNN 2 GNN消息传递import torch as thimport dglUsing backend: pytorch创建HGNNgraph_data = { ('a', 'B', 'b'): (th.tensor([0, 0]), th.tensor([1, 2])), ('b', 'C', 'b'): (th.tensor([1]), th.tensor([2]))

文章目录导入数据集访问数据集 ndata edata节点信息边信息构造模型并训练构造dgl graph并查看图信息构造特征获取子图保存与加载模型自定义GNN moduleBuilt-in message and reduce function节点和边apply APIUser Defined FunctionLink PredictionGraph Classification(undone)Testimport numpy as npimport pandas as pdfrom matplotli

Table of Contents1  创建张量1.1  常用方法1.2  基于概率创建张量2  张量基本操作2.1  张量拼接2.2  张量切割2.3  张量索引2.4  张量变换3  神奇的数学操作tensor 内数值尽量采用float类型，整数类型会出现许多报错import torch as th创建张量常用

Table of Contents1  Pandas 常用操作1.1  新建数据集1.2  数据选取1.3  查看数据信息1.4  数据处理1.5  缺失值处理1.6  其他操作2  高级操作2.1  正则表达式替换2.2  groupby: split + apply + combine2.3 &

Table of Contents1  Pandas 时间处理2  时间戳2.1  Numpy2.2  Pandas2.2.1  字符串和时间类型转换2.2.2  获取时间信息2.2.3  apply时间信息3  在读取文件期间parse datetimePandas 时间处理时间序列的三大基础数据类型：时间戳 timestamp时间周

import numpy as npimport pandas as pdfrom matplotlib import pyplot as pltimport seaborn as snsimport scipy as spimport sklearn as skimport timeimport gc%matplotlib inline%config InlineBackend.figure_format = 'retina'import warningswarnings.fil

文章目录Intro导入常用库加载数据集数据的统计可视化数据的简单统计描述直方图+kde曲线箱型图散点图Intro本文用于整理数据预处理过程中的常见基础代码，不讲解背景知识。导入常用库import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport importlibimport sklearn as skfrom importlib import reload

文章目录回归SSEMAEMSERMSER-Squareadjusted R-Square聚类：外部指标Jaccard系数FM指数RAND指数聚类：内部指标DB指数Dunn指数回归设y^=f(x)\hat y = f(x)y^​=f(x)，f为模型，y^\hat yy^​为预测值SSESSE=∑1n(yi−y^i)SSE = \sum_1^n(y_i - \hat y_i)SSE=1∑n​(yi​−y^​i​)MAEMAE=∑1n∣yi−y^i∣nMAE = \frac {\sum_1^

文章目录Intro分类accuracy应用场景precision应用场景recall应用场景F1confusion matrixprecision-recall curveROC curveIntro本文介绍基本的模型评估指数，例如分类：accuracyprecisionrecallf1P-R曲线混淆矩阵roc曲线auc回归：MAEMSESSERMSER-squareadjusted R-square聚类JaccardFMRandDB

import pandas as pdimport numpy as np前言本文重点关注Pandas的实际用法，而不是理论基础本文面向新手，欢迎讨论Pandas建立在NumPy上，可以把它们看成增强版的 NumPy 结构化数组，为数据处理提供了基于NumPy且超越NumPy的大量功能本文介绍Pandas提供的几种基本数据结构Series:带显式定义索引的数组普通的列表或numpy ndarray的索引是隐式定义的，即对于列表a = [10, 20, 30, 40]

NumPy入门学习笔记3本文为NumPy入门学习笔记的最后一篇下一篇文章是Pandas入门学习笔记import numpy as np文章目录NumPy入门学习笔记3索引索引数组排序分隔结构化数组索引前面我们遇到了一些常见的索引操作，例如x = np.arange(10, 20, 1)xarray([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])print( x[1], # 简单索引 x[1:5], # 切片 x[x

NumPy入门学习笔记2import numpy as np广播上面在介绍通用函数和reduction时，是相同维数数组间的运算广播支持在不同维数间的数组运算广播可以理解为数组的扩展，即低维数组扩展成高维数组，从而与高维数组运算，扩展的方式是重复值x = 5y = np.arange(0, 3, 1)z = np.ones((3, 3))print( x, # 0维 y, # 1维 z, # 2维 x+y, y+z, sep

文章目录前言创建NumPy的ndarrayNumPy提供的标准数据类型NumPy数组的访问与获取NumPy数组的变形NumPy数组的拼接NumPy数组的分裂NumPy的通用函数基本运算符数学函数指定输出位置聚合(Reduction)数组与数组运算其它数组切片的复制与引用前言本文介绍NumPy的基本操作和通用函数。NumPy作为数据科学领域常用的Python数学处理工具，掌握NumPy十分重要将在《NumPy入门2》中介绍广播、索引、结构化数组等后续内容本文面向新手NumPy提供一种

文章来源：https://blog.youkuaiyun.com/weixin_44489823/article/details/89382502原文地址： http://www.gamedev.net/reference/articles/article2003.asp文章目录概述搜索区域(The Search Area)开始搜索(Starting the Search)路径排序(Path Sorting)继续搜索(Continuing the Search)A*算法总结(Summary of the A* Me