![](https://i-blog.csdnimg.cn/direct/e17c1146f08a4c88889d969d0d5f3d90.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文阅读复现
文章平均质量分 51
论文综述阅读解读,及部分代码复现。主要集中在AI / GNN / 机器学习模型算法 相关领域。
*wait for?
这个作者很懒,什么都没留下…
展开
-
hugging face下载bert模型并使用
点击File栏,常用pytorch所以下载这几个文件,存在本地一个新建文件夹中。bert-base-uncased是会转为英文小写的模型。一、进入hugging face 网站找到需要下载的模型。二、加载模型即可使用。原创 2024-05-14 19:57:21 · 387 阅读 · 0 评论 -
机器学习常用基础专业术语解释
softmax:e的x次求平均,表示概率原创 2024-05-08 15:19:36 · 93 阅读 · 0 评论 -
基于word2vec新闻分类任务实现
word2vec是一个经典基础的词嵌入模型,将单词转化到高维向量空间。人们认为向量空间中,距离相近的向量,其语义更接近。利用这一思想,我们可实现新闻分类任务,向量表示被分到同一簇的新闻文本,其语义事件描述大概率是属于同一类新闻。class_vectors为获取体育新闻语料库和政治新闻语料库的文本向量。2. 为指定的类型分别训练相应语料库的词向量,可采用基于gensim库的word2vec模型;3. 将待分类的输入文本词向量化,分别与以上类别的向量表示比较相似程度。1. 定义需要的类型;原创 2023-09-24 12:45:21 · 68 阅读 · 1 评论 -
图表示学习综述阅读笔记
在gnn中,节点嵌入是通过聚合节点邻居的嵌入来获得的(GNN的直觉是,一个节点的状态受到它与图中邻居的相互作用的影响)。图表示学习(图嵌入方法)研究图的表示向量的自动生成问题。大多数现实世界的图都是动态的和不断发展的,其中添加和删除了节点和边。基于静态GNN的图嵌入方法适用于不随时间变化的静态图的图表示学习。这篇综述将传统动态图嵌入分类为四类:基于聚合的、基于随机游走的、基于非gnn的深度学习和基于时态点过程的。传统的静态图嵌入方法可以分为三类:基于分解的、基于随机游走的和非gnn的深度学习方法。原创 2024-04-15 10:21:34 · 770 阅读 · 1 评论 -
ProvG代码复现重构(二)模型构建
SkipGNN不仅通过聚合来自直接相互作用的信息,而且通过聚合来自二阶相互作用的信息来预测分子相互作用,我们称之为跳跃相似性。与现有的GNN相比,SkipGNN接收来自交互网络中的双跳邻居和近邻的神经信息,并对消息进行非线性转换,以获得有用的预测信息。在药物-药物、药物-靶点、蛋白质-蛋白质和基因-疾病相互作用等四种相互作用网络上的实验表明,SkipGNN具有卓越而稳健的性能。参数选择模型:顺序嵌入模型 or baseline方法MLP。4. ConvEdgeType模型。原创 2024-05-07 17:09:17 · 339 阅读 · 0 评论 -
ProvG代码复现重构(三)模型训练
将该E值输入到clf_model线形层中,用交叉熵损失训练该clf_model线性模型。最后argmax输出二分类结果(匹配 or 不匹配),根据结果得到预测值pred和准确率。对每一批数据,经过图嵌入模型得到向量,对模型预测结果进行损失计算。计算emb_a和emb_b之间的匹配分数(论文中目标函数E),其中预测值也是论文中的目标函数E的公式计算。损失反向传播,并优化参数。论文中有损失计算公式。原创 2024-07-15 20:33:02 · 91 阅读 · 0 评论 -
ProvG代码复现重构(一)数据准备
当同时添加许多参数时,可以使用parser.add_argument_group()创建一个参数组。argparse是一个Python模块:命令行选项、参数和子命令解析器。还可以使用set_defaults()函数,设置参数默认值。一、参数设置argparse模块。原创 2024-04-30 18:16:25 · 225 阅读 · 2 评论