- 博客(6)
- 收藏
- 关注
RSS订阅转载 公网ip和私网ip
https://blog.csdn.net/weixin_41919236/article/details/84957941 整体流程 我们重新整理一下我们上网的路线，看下图，移动公司分给我们的ip是117.158.134.217，这是我们这一栋楼能连上网的公网Ip,那么如何让这一个ip使学校里面的所有人都能使用呢，我们开始重新划分局域网。上文中，我们知B类私有地址范围是：172.16.0.0~172.31.255.255，我们学校采取的就是这种划分方法，所以我的私网ip地址就是172.18.251.1.
2022-01-07 15:02:56
593
原创 pytorch_geometric安装教程
配置环境 在自己的外部环境中下载cuda 如果没有显卡驱动，先安装显卡驱动 安装如下： 1、在NVIDIA下载对应的显卡驱动。如下载到⽂件： NVIDIA-Linux-x86_64-410.73.run 2、禁⽤nouveau驱动 2.1 按 Ctrl+Alt+F1 进⼊命令提⽰符，输⽤⼾名、密码进⼊；然后输⼊以下命令进⼊⿊名单 sudo vi /etc/modpro...
2019-11-09 15:34:24
4459
1
原创 PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK
Motivation 传统GCN在节点分类中达到了不错的效果，但只能在将层数限制在2-3层，加深层数会导致两个问题： （1）、出现过平滑现象：即最后所有节点趋向同一个值。 （2）、随着层数的加深，参数量也呈指数级增长。 但是试验表明，一般要将层数达到4-5层才能使才能覆盖所有的节点。 为了解决这个问题，引进了PageRank方法。 问题一 由于PageRand方法可能陷入“陷阱问题”和“终止问题”...
2019-11-02 21:48:14
2007
原创 GRAH ATTENTION NETWORKS
GCN简介 GCN回顾 GAT文章主要是为了解决GCN需要已知整个图才能训练的缺陷而产生。 GAT的实现过程 1、特征提取 与GCN基本相同 import numpy as np import scipy.sparse as sp import torch def encode_onehot(labels): classes = set(labels) classes_dict...
2019-09-05 20:50:53
876
原创 How powerful are GNN学习笔记
How powerful are GNN 1、GNN实现的功能：节点分类、连接预测、图形分类、捕获图形的相似性。 该论文有效的实现了图的分类。 2、证明了GNN在图形结构分类上能达到且最多只和 Weisfeiler-Lehman (WL) test 一样有效 WL测试： 若两者的新标签不同，这表示两个图是异构的。 注：图同构问题指两个图在拓扑结构上相同 3、embedding：就...
2019-08-15 21:53:56
1598
原创 SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS学习笔记
图卷积的理论基础 理论参考 GCN基于频域的方法，空域方法见graphsage 图拉普拉斯矩阵 定义：L = D - A 对称L的标准化：L=D−1/2LD−1/2L=D^{-1/2}LD^{-1/2}L=D−1/2LD−1/2 非对称L的标准化：L=D−1LL=D^{-1}LL=D−1L 傅里叶变换 傅里叶卷积 傅里叶卷积可以表示为： f∗g=F−1{F{f}⋅F{g}}f*g=F^{-1}\l...
2019-08-15 21:30:32
611
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人