图神经网络-第一课（图的知识）

已于 2023-08-11 13:15:35 修改
阅读量65 收藏
点赞数
分类专栏： 深度学习 文章标签： 神经网络 人工智能 深度学习
于 2023-07-13 23:16:11 首次发布
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/pzb19841116/article/details/131713591
版权
报了七月在线的课程，记录一下知识的要点，老师讲的蛮不错。
------------------------------------------------------------------------------------------------------------
图的研究内容之一：节点分类
图的研究内容之二：边的预测
图难的原因：
数据是不规则的。
CNN和GNN的区别
一个是用规则的卷积核对图像局部区域进行处理。一个是对节点进行处理。
GNN的数学模型
本质跟CNN一样，但是图的复杂一些，AF充当了X。
两者的感受野 计算方法也不同。
CNN与GNN的分类与分割的区别
常用的工具：NetworkX
一个强大的python包，用于保存处理图的数据。

pzb19841116
关注
专栏目录
图神经网络实战视频教程
09-14
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，如社交网络、分子结构、交通网络等。本视频教程旨在通过实战教学，帮助学习者深入理解和掌握GNN的核心原理...
01-第一课 神经网络和深度学习.rar
11-27
在本课程资源“01-第一课 神经网络和深度学习.rar”中，我们聚焦于神经网络和深度学习的基础知识，这是人工智能领域的重要组成部分。这个压缩包包含了吴恩达教授深度学习课程的前四周编程作业，这些作业旨在帮助学习...
第一门课 神经网络和深度学习1
08-04
神经网络和深度学习基础 ...本资源为神经网络和深度学习的基础课程，涵盖了深度学习的基本概念、神经网络的基本结构、梯度下降算法、激活函数、损失函数等内容，为深入学习神经网络和深度学习提供了基础知识。
第四课 卷积神经网络1
08-04
"卷积神经网络基础知识" 卷积神经网络（Convolutional Neural Network，CNN）是深度学习中的一种常见模型，广泛应用于图像识别、目标检测、自然语言处理等领域。下面是卷积神经网络基础知识的总结： 1. 卷积计算 ...
02-第二课 改善深层神经网络.rar
11-27
在这个压缩包中，包含了“第二课第一周编程作业”、“第二课第二周编程作业”和“第二课第三周编程作业”。这些作业可能涵盖以下几个方面的知识点： 1. **正则化与Dropout**：为了防止过拟合，正则化（如L1和L2正则...
什么是神经网络？
jianqimingtian的博客
10-19 471
神经网络由互连的节点或神经元组成，它们处理数据并从中学习，从而支持机器学习中的模式识别和决策等任务。它由一个输入层、一个或多个隐藏层和一个由耦合的人工神经元层组成的输出层组成。前馈神经网络、递归神经网络 （RNN）、卷积神经网络 （CNN） 和长短期记忆网络 （LSTM） 是常见架构的示例，每种架构都是为特定任务而设计的。神经网络是由处理信息的互连节点（神经元）组成的人工系统，以人脑的结构为模型。递归神经网络 （RNN） 包含的反馈循环使它们能够处理顺序数据，并随着时间的推移捕获依赖关系和上下文。
CNN-BiLSTM回归预测 | MATLAB实现CNN-BiLSTM卷积双向长短期记忆神经网络多输入单输出回归预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
10-19 52
CNN-BiLSTM回归预测 | MATLAB实现CNN-BiLSTM卷积双向长短期记忆神经网络多输入单输出回归预测
神经网络反向传播交叉熵 损失函数对输出层激活值Z2的导数
u013172930的博客
10-13 1182
基于交叉熵损失函数和 sigmoid 激活函数。通过应用链式法则，我们将损失函数的导数逐步分解成每个部分的导数，最终得到了损失函数对输出层输入值 的导数，即这个公式表示损失函数的梯度等于模型输出与真实值的差值，用于指导神经网络的反向传播过程。
机器视觉基础系列2—简单了解用神经网络进行深度估计
xiaoxu的博客
10-16 1023
同理按照相同的套路进行递归或者说是循环，就可以依次的得到 R3 R3 R1的输出结果。Coarse-to-Fine的一个过程。先把整体做好，再还原细节。
突破物理学的疆界：机器学习与神经网络的诺贝尔奖之旅
lssffy的博客
10-14 760
科学的本质，正是在无尽的探索中不断揭示未知的疆界，而这种探索从未止步，正如此次机器学习与神经网络获得诺贝尔物理学奖所揭示的那样：真正的科学创新，无需固守在学科的边界之内。这种研究思想的相似性，使得人们很自然地将神经网络的行为与自然界中的物理现象联系起来，甚至可以说，研究神经网络也在某种程度上揭示了复杂系统的普遍性，帮助我们理解包括大脑在内的自然界中的复杂动力学系统。2024年诺贝尔物理学奖的授予无疑是历史性的。机器学习和神经网络的崛起，不仅改变了物理学的研究工具和方法，也在基础科学的层面上带来了新的突破。
液态神经网络 LNN
m0_73776435的博客
10-14 1505
A液体神经网络是一个时间连续的递归神经网络（RNN）它按顺序处理数据，保留过去输入的记忆，根据新输入调整其行为，并且可以处理可变长度输入以增强神经网络的任务理解能力。LNN 架构与传统神经网络的不同之处在于它能够有效地处理连续或时间序列数据。如果有新数据可用，LNN 可以更改每层神经元和连接的数量。液体神经网络的先驱，拉敏哈萨尼马蒂亚斯莱希纳，其他人已经采取了灵感来自微小线虫秀丽隐杆线虫，一种 1 毫米长的蠕虫，具有结构完善的神经系统，使其能够执行复杂的任务，例如寻找食物、睡眠和向周围环境学习。
机器学习与神经网络：诺贝尔物理学奖的新篇章与未来展望
abments的博客
10-14 257
传统物理学为机器学习和神经网络提供了坚实的理论基础和数学工具，而机器学习和神经网络则通过其强大的数据处理和模式识别能力，为物理学研究提供了新的方法和手段。这种跨学科的合作不仅推动了物理学研究的深入发展，也促进了机器学习和神经网络技术的不断创新和进步。我们有理由相信，在不久的将来，机器学习和神经网络将在更多领域发挥重要作用，为人类社会的进步和发展贡献更多力量。这一殊荣首次被授予了机器学习与神经网络领域的研究者，标志着这一新兴领域在科学研究中的重要地位得到了前所未有的认可。
Bayes-CNN-LSTM|基于贝叶斯优化的卷积-长短期神经网络多输入数据回归预测
不定时分享电力优化、神经网络、数学建模等技术等
10-18 1230
贝叶斯优化的核心思想是利用贝叶斯统计理论，通过构建目标函数的概率模型来进行优化。与传统的优化方法（如网格搜索或随机搜索）不同，贝叶斯优化能够在每一步中利用已有的信息来指导下一步的搜索，从而更高效地找到最优解。在深度学习中，我们通常需要优化的目标函数是模型的性能指标（如准确率、损失等），而这个函数往往是计算成本高且可能带有噪声的。它基于当前的代理模型，平衡探索（即尝试新的、未被充分评估的区域）和利用（即在已知的好区域内进行更深入的搜索）。构建代理模型：使用已有的数据点训练高斯过程，得到目标函数的近似。
学习莫烦python---神经网络
最新发布
a1111111111ss的博客
10-19 218
1、“卷积” 和 “神经网络”. 卷积也就是说神经网络不再是对每个像素的输入信息做处理了,而是图片上每一小块像素区域进行处理, 这种做法加强了图片信息的连续性. 使得神经网络能看到图形, 而非一个点. 这种做法同时也加深了神经网络对图片的理解。组序列数据 data 0,1,2,3. 在当预测 result0 的时候,我们基于的是 data0, 同样在预测其他数据的时候, 我们也都只单单基于单个的数据. 每次使用的神经网络都是同一个 NN.–而卷积它是对区域像素处理，加强图像的连续性，加深理解。
神经网络量化基础
luoganttcc的博客
10-19 445
在处理隐式量化网络时，TensorRT 在应用图形优化时将模型视为浮点模型，并适时的使用 INT8 来优化层执行时间。在这种模式下，TensorRT 仅针对性能进行优化，您几乎无法控制 INT8 的使用位置——即使您在 API 级别明确设置层的精度，TensorRT 也可能在图优化期间将该层与另一个层融合，并丢失它必须在 INT8 中执行的信息。这在多次构建相同的网络时非常有用，例如，在多个平台上 – 特别是，它可以简化工作流程，在具有离散 GPU 的机器上构建校准表，然后在嵌入式平台上重用它。
DINO&DINO v2：颠覆自监督视觉特征表示学习
家鸽的代码屋
10-15 1060
DINO系列学习总结
新质技术之生成式AI、大模型、多模态技术开发与应用研修班
Lynn121的博客
10-17 517
在当前的科技飞速发展的时代，生成式人工智能、大模型、多模态技术的出现正为企业的数字化转型带来革命性变革。该研修班特别设计了为期四天的课程，从生成式AI的核心概念入手，逐步深入探讨大模型的应用开发以及多模态技术的集成运用。通过此次研修班，学员不仅能获得最新的AI技术知识，还能获得行业权威机构的职业技能认证，这将极大提升其在未来职场中的竞争力。本次研修班采取理论与实战相结合的培训模式，旨在让学员不仅能够全面掌握生成式AI、大模型和多模态技术的最新理论，还能通过实战练习，掌握将这些技术应用于实际业务。
计算机毕业设计Python深度学习房价预测 房源可视化 房源爬虫 二手房可视化 二手房爬虫 递归决策树模型 机器学习 深度学习 大数据毕业设计
全网粉丝100W+、全栈领域优质创作者、B站、github、CSDN等社区技术专家、专注于高端精品毕业项目源码实战
10-18 515
计算机毕业设计Python深度学习房价预测 房源可视化 房源爬虫 二手房可视化 二手房爬虫 递归决策树模型 机器学习 深度学习 大数据毕业设计
论文及其创新点学习cvpr2022 On the Integration of Self-Attention and Convolution
qq_53536373的博客
10-13 610
论文创新点，将注意力机制 和卷积 相结合。
图卷积神经网络详解：从理论到实践应用
整个教程以理论讲解和实践操作相结合的方式，覆盖了图卷积的基础理论、核心算法以及实际项目经验，是学习者深入研究图神经网络的宝贵资源。通过这份资料，无论是初学者还是进阶者，都能获得扎实的图卷积神经网络知识...
评论
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

打赏作者

pzb19841116

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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