DW_图深度学习_Task_6

最新推荐文章于 2022-04-26 15:53:07 发布
最新推荐文章于 2022-04-26 15:53:07 发布
阅读量608 收藏
点赞数
分类专栏： 图深度学习 文章标签： 图论 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_36184635/article/details/118499510
版权
这篇博客介绍了如何使用图神经网络（GNN）进行图表征学习，特别是基于图同构网络（GIN）的实现。内容包括图表征模块的设计，如GINNodeEmbedding，其中包含了图池化和图的预测过程。此外，还讨论了图同构性测试，利用Weisfeiler-Lehman Test判断图的拓扑结构，并介绍了图相似性评估方法。
摘要由CSDN通过智能技术生成

DW_图深度学习_Task_6
学习内容：基于图神经网络的图表征学习方法
学习地址： github/datawhalechina/team-learning-nlp/GNN/

目录

基于图同构网络（GIN）的图表征网络的实现

本节内容主要是介绍基于图神经网络的图表征学习方法，其过程大致为：
首先，计算得到节点表征。然后对节点表征做图池化，从而得到图的表征。

图表征模块（GINGraphRepr Module）

图表征模块结构

GINNodeEmbedding：进行节点嵌入 -> 得到节点表征
对节点表征进行图池化 -> 得到图的表征
对图的表征进行一层线性变换 -> 得到图的预测

可选的几个计算图表征的方法

  • “sum”： 对节点表征求和；
  • “mean”：对节点表征求平均；
  • “max”：取节点表征的最大值。对一个batch中所有节点计算节点表征各个维度的最大值；
  • “attention”：基于Attention对节点表征加权求和；
  • “set2set”: 另一种基于Attention对节点表征加权求和的方法；

节点嵌入模块（GINNodeEmbedding Module）\

图同构卷积层（GINConv）

最低0.47元/天 解锁文章
DataVVhale
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Pytorch+PyG实现GIN
CSDN 精品推荐
02-11 693
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。
DW_图深度学习_Task_7
baidu_36184635的博客
07-10 241
DW_图深度学习_Task_7 学习内容：超大规模数据集类的创建及图预测任务实践 学习地址： github/datawhalechina/team-learning-nlp/GNN/ 在之前的内容里，我们通过学习Cluster-GCN方法了解了超大图上的节点表征学习，在这一部分我们学习如何创建按需获取的超大规模数据集类，并进行图预测任务的实践 目录超大规模数据集类的创建Dataset基类跳过下载或处理过程无需定义Dataset类图样本封装成批（BATCHING）与DataLoader类合并小图组成大图三级目
DW_图深度学习_Task_3
baidu_36184635的博客
06-23 390
DW_图深度学习_Task_3 学习内容：消息传递范式 学习地址： github/datawhalechina/team-learning-nlp/GNN/
DW_图深度学习_Task_4
baidu_36184635的博客
06-27 280
DW_图深度学习_Task_4 学习内容： 数据完全存于内存的数据集类 节点预测与边预测任务实践 学习地址： github/datawhalechina/team-learning-nlp/GNN/ 本次学习包括两个部分，构造数据完全存于内存的数据集类以及节点和边的预测任务实现。 目录数据完全存于内存的数据集类PyG使用数据的一般过程InMemoryDataset基类节点预测与边预测任务实践节点预测代码结构边预测 数据完全存于内存的数据集类 PyG使用数据的一般过程 从网络上下载数据原始文件； 对数据
深度学习的实用层面
qq_40459859的博客
06-14 203
训练/验证/测试集 应用型机器学习是一个高速迭代的过程，需要多次循环才能为应用程序找到一个称心的神经网络。项目启动时，我们会有一个初步想法，然后编码并尝试运行这些代码，通过运行和测试得到该神经网络以及配置信息的运行结果，最后可能会根据结果重新完善自己的想法或者更新自己的方案。 图 1 循环效率是决定项目进度的一个关键因素，而创建高质量的训练数据集、验证集和测试集也有助于提高循环效率。 我们通常会将数据集划分为几个部分，一部分作为训练集，一部分作为简单交叉验证集，最后一部分作为测试集。接下来我.
deeplearning笔记1：神经网络和深度学习
u014765410的博客
10-16 287
能够使神经网络运行速度加快的几个Python技巧 vectorization：避免在神经网络中使用for循环 broadcast：避免在神经网络中使用for循环 申明变量时，将变量初始化为（m，n）的形式，而不是(m，）形式 import numpy as np a=np.random.randn(5,1) #正确申明方法 b=np.random.randn(5) #错误的申明方法 c=b...
DW_图深度学习_Task_2
baidu_36184635的博客
06-19 241
DW_图深度学习_Task_2 学习内容：消息传递范式 学习地址： github/datawhalechina/team-learning-nlp/GNN/ 本节的内容主要是了解和学习图神经网络生成节点表征的消息传递范式，学习内容以MessagePassing的实践为主。在这里，我们的内容更多的是倾向于消息传递范式本身的原理介绍。 定义MPNN的消息传递和读出GNN设计原理后续学习方向 定义 GNN是一个邻居聚合策略，一个节点的表示向量，由它的邻居节点通过循环的聚合和转移表示向量计算得来。即消息传递图神经
DW_图深度学习_Task_1
baidu_36184635的博客
06-15 236
DW_图深度学习_Task_1 学习内容：简单图论与环境配置及PyG库使用 学习地址： github/datawhalechina/team-learning-nlp/GNN/ 学习笔记简单图论内容框架勘误环境配置及PyG库使用环境配置检查显卡驱动安装正确版本的pytorch和cudatoolkitData类——PyG中图的表示及其使用Data类的创建数据转换Dataset类——PyG中图数据集的表示及其使用生成Planetoid数据集类并分析数据集的使用 简单图论 内容框架 勘误 笔误 存疑：
【DW组队学习—吃瓜教程】task2：概览西瓜书+南瓜书第3章
07-19
【DW组队学习—吃瓜教程】task2：概览西瓜书+南瓜书第3章是针对机器学习领域的深入学习任务，旨在通过分享和交流学习笔记来增进对相关知识的理解。这一章节的学习主要聚焦于两本重要的教材——《西瓜书》（即《统计...
PyG搭建GCN实现节点分类（GCNConv参数详解）
热门推荐
KI的博客
03-13 2万+
PyG搭建GCN实现节点分类（GCNConv参数详解）
Task06：基于图神经网络的图表征学习方法
m0_46306014的博客
07-05 2208
Task06：基于图神经网络的图表征学习方法 本文参考datawhale开源学习资料 一、基于图同构网络（GIN）的图表征网络的实现 1. GINConv–图同构卷积层 提出图同构网络的论文是：How Powerful are Graph Neural Networks? ，可以参考【GNN】WL-test：GNN 的性能上界进行阅读。 图同构卷积层的数学定义如下： xi′=hΘ((1+ϵ)⋅xi+∑j∈N(i)xj) \mathbf{x}^{\prime}_i = h_{\mathbf{\Theta}}
PyG文档之六：高效的内存使用
Yichar的博客
08-28 1219
PyG的MessagePassing-消息传递接口，依靠一个收集-传播的方案来聚集来自邻近的节点的讯息。例如，考虑消息传递层: 它可以实现为： from torch_geometric.nn import MessagePassing x = ... # Node features of shape [num_nodes, num_features] edge_index = ... # Edge indices of shape [2, num_nodes] class MyC
基于图同构网络（GIN）的图表征网络的实现
weixin_43868001的博客
07-05 5327
基于图同构网络（GIN）的图表征网络的实现 基于图同构网络的图表征学习主要包含以下两个过程： 首先计算得到节点表征； 其次对图上各个节点的表征做图池化（Graph Pooling），或称为图读 出（Graph Readout），得到图的表征（Graph Representation）。 在这里，我们将采用自顶向下的方式，来学习基于图同构模型（GIN）的图 表征学习方法。我们首先关注如何基于节点表征计算得到图的表征，而忽 略计算结点表征的方法。 基于图同构网络的图表征模块（GINGraphRepr Modu
【PyG 教程】PyG 自定义构造 GNN
梦家の博客
05-19 1601
文章作者：梦家 个人站点：dreamhomes.top 原文地址：https://dreamhomes.github.io/posts/202005191115.html 公众号ID：DreamHub 基于 PyG 构造消息传递网络 图上的卷积操作主要包含两部分：节点消息传递与消息聚集。假设 xi(k−1)∈RF\mathbf{x}_i^{(k-1)} \in \mathbb{R}^{F}xi(k−1)​∈RF 表示k−1k-1k−1层节点的特征，ej,i∈RD\mathbf{e}_{j, i} \in.
WL-test (GIN)
weixin_40248634的博客
04-26 692
可以看这个写的很好的博客
PyG-重写PyG内置的GCNConv卷积层来实现基于cora数据集的2层GCN模型实现
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
02-10 1257
1、简介 前面PyG-基于pyg内置函数Conv实现对cora数据的分类是使用的pyg内置的函数模块，现在是打算重写基于pyg的MPNN函数来修改GCNConv卷积模块来实现自己想要达到的效果 2、代码 ''' 重写pyg内置函数GCN，并实现基于cora的gcn 重写的是调用pyg里面的MPNN基类的GCNConv函数 步骤 AHW（W维度 [num_output_features, num_input_features]） 1）在邻接矩阵中添加自连接 A+I。 2...
PyTorch Geometric(PyG)解读、快速开始-简单易懂
yrwang_xd的博客
04-12 6861
PyG官方github https://github.com/rusty1s/pytorch_geometric torch_geometric.data 创建Data对象 这个模块包含了一个叫Data的类，可以创建Data对象 创建只需要： 节点的属性/特征（the attributes/features associated with each node, node features） 邻接...
DesignWare DW_ahb_icm 2014产品手册：AHB ICM详细资料
这份Databook是在2014年6月更新至版本1.14a，涵盖了产品的代码信息、版权声明和保密协议等内容。 首先，产品代码DW_ahb_icm是Databook的核心焦点，表明文档主要讨论的是AHB（Advanced High-performance Bus）接口...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值