2020年12月_cqu_shuai

原创 C++入门——创建随机数

参考链接https://www.bilibili.com/video/BV1et411b73Z?p=32这里是根据系统时间产生随机数种子，所以需要添加头文件“ctime”。#include <iostream>using namespace std;// 系统时间头文件#include <ctime>int main(){ // 添加随机数种子 srand((unsigned int)time(NULL)); // 生成随机数 int num = ra

2020-12-30 23:04:42 261 1

原创跟着官方文档学DGL框架第十一天——训练图神经网络之整图分类（Graph Classification）

参考链接https://docs.dgl.ai/en/latest/guide/training-graph.html#guide-training-graph-classificationhttps://docs.dgl.ai/en/latest/generated/dgl.readout_nodes.html#dgl.readout_nodeshttps://docs.dgl.ai/en/latest/generated/dgl.readout_edges.html#dgl.readout_ed

2020-12-29 20:30:48 5054 33

原创跟着官方文档学DGL框架第十天——训练图神经网络之链接预测

参考链接https://docs.dgl.ai/en/latest/guide/training-link.html#guide-training-link-prediction概述什么是链接预测链接预测就是预测图中给定节点间是否存在边，常用于推荐系统。形式化地，给定节点uuu和vvv，链接预测的任务就是得到它们间存在链接的概率yu,v=ϕ(u,v)y_{u,v}=\phi \left ( u,v\right )yu,v=ϕ(u,v)。具体到GNN上，我们通过L层的GNN得到节点uuu和vv

2020-12-29 00:39:12 7043 19

原创跟着官方文档学DGL框架第九天——训练图神经网络之边分类/回归

参考链接https://docs.dgl.ai/en/latest/guide/training-edge.html#guide-training-edge-classification回归问题与分类问题只是损失函数上的不同，模型和流程都是一样的。而获得边的预测值或者类别，可以通过融合端点的表示和边自身的表示来获得（在本节中没用上边的特征）。同构图上的边回归任务处理数据使用“跟着官方文档学DGL框架第一天”中相同的构建方式，手工构建一个双向图。注：现在DGL推荐使用“dgl.graph()”的

2020-12-26 14:35:59 4046 5

原创跟着官方文档学DGL框架第八天——训练图神经网络之节点分类

参考链接https://docs.dgl.ai/guide/training-node.html#guide-training-node-classificationhttps://docs.dgl.ai/guide/training.html同构图上的节点分类处理数据节点分类任务是针对单图的，你可以使用DGL内置的数据集或继承DGLDataset构建的数据集，如“Citeseer”：import dgldataset = dgl.data.CiteseerGraphDataset()

2020-12-24 23:14:05 3524 10

原创跟着官方文档学DGL框架第七天——下载和处理数据集

参考链接https://docs.dgl.ai/guide/data.html#guide-data-pipelinehttps://docs.dgl.ai/en/0.5.x/_modules/dgl/data/qm7b.html#QM7bDatasetDGLDatasetDGL在 dgl.data 里实现了很多常用的图数据集。它们遵循了由 dgl.data.DGLDataset 类定义的标准的数据处理管道。DGL推荐用户将图数据处理为 dgl.data.DGLDataset 的子类。该类为导入

2020-12-23 00:45:17 6446 2

原创跟着官方文档学DGL框架第六天——异构图卷积模块（HeteroGraphConv）

参考链接https://docs.dgl.ai/guide/nn-heterograph.html#guide-nn-heterographhttps://docs.dgl.ai/api/python/nn.pytorch.html#dgl.nn.pytorch.HeteroGraphConv在异构图中，我们分别对每种关系进行处理（不同的DGL NN模块），让源节点的消息沿着不同的关系传递到目标节点，然后对于同一目标节点，聚合不同关系传来的信息来更新特征。公式如下hdst(l+1)=AGGr∈R

2020-12-21 22:14:41 5630 14

原创跟着官方文档学DGL框架第五天——自定义GNN模块（GraphSAGE实现）

参考链接https://docs.dgl.ai/guide/nn.html#guide-nn如果DGL没有你想要的GNN模块，可以根据自己的需求定义（感觉应该放在后面讲，容易劝退像我这种小白）。本节以GraphSAGE为例。与pytorch类似，构造函数完成以下几个任务：设置选项注册可学习的参数或者子模块初始化参数演示代码如下：import torch.nn as nnfrom dgl.utils import expand_as_pairclass SAGEConv(nn.

2020-12-21 00:28:29 3661

原创 pandas小笔记——去除数据中的NaN值

Pandas 会为缺少的值分配 NaN 值。我们可以选择对这些NaN值对应的行列进行删除，也可以选择填充。删除NaN值data.dropna(how = ‘all’) # 传入这个参数后将只丢弃全为缺失值的那些行data.dropna(axis = 1) # 丢弃有缺失值的列data.dropna(axis=1,how=“all”) # 丢弃全为缺失值的那些列data.dropna(axis=0,subset = [“Age”, “Sex”]) # 丢弃‘Age’和‘Sex

2020-12-19 01:37:21 28252 1

原创 Graph-Bert：无所不能的Bert在图上也能发光发热？

主要参考论文：《GRAPH-BERT: Only Attention is Needed for Learning Graph Representations》概述传统的GCN模型往往存在假死问题（suspended animation problem）和过平滑问题（over-smoothing problem）而且过于依赖结点间的连边，不利于并行计算。针对以上问题，Graph-Bert摒弃了图卷积和邻居消息聚合操作，就像题目一样，完全只使用attention机制。跟Bert一样，Graph-Bert

2020-12-11 00:47:29 2153

beilizhang的博客