图神经网络（GNN）

最新推荐文章于 2024-05-03 15:36:17 发布
最新推荐文章于 2024-05-03 15:36:17 发布
阅读量124 收藏
点赞数
分类专栏： 神经网络学习 机器学习 文章标签： 神经网络 深度学习 人工智能
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/u014629974/article/details/126049402
版权
黄_玫_瑰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
图神经网络gnn论文推荐
11-02
内含本人学习图神经网络时阅读的论文，非常推荐想要入门和进一步了解图神经网络的朋友下载阅读。
图神经网络 GNN
weixin_51606521的博客
05-13 373
深度学习4 搬运了国外一篇比较好的博客。
图神经网络GNN
noobiee的博客
11-30 1753
图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的大小，每条边用一个长为8的向量来表示，全局用一个长为5的向量来表示。
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
热门推荐
知不足而奋进，望远山而前行
10-04 4万+
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实际场景中（例如道路交通），不同城市的道路数量和节点数量都不同，即输入数据格式不固定。对此，传统神经网络不能很好地解决，但是GNN可以用来解决此类问题。卷积：卷积核平移计算图卷积：自身信息+所有邻居信息。
图神经网络GNN简介
驽马十驾，功在不舍；锲而不舍，金石可镂。
10-09 1821
首先推荐一篇GNN综述性的文章：A Comprehensive Survey on Graph NeuralNetworks。pyg和dgl是比较火的两个图神经网络仓库。
图神经网络GNN介绍
Sun123234的博客
03-30 1625
图神经网络GNN介绍
Python-图形神经网络GNN
08-11
图形神经网络（GNN）主要用于分子应用，因为分子结构可以用图形结构表示。 GNN的有趣之处在于它可以有效地建模系统中对象之间的关系或交互。 GNN有各种应用，例如分子应用，网络分析和物理建模。
图神经网络 GNN、GCN经典数据集包 Cora数据集
10-20
图神经网络 GNN、GCN经典数据集包 Cora数据集
2020年9月13日-图神经网络 GNN 之图卷积网络1
08-03
1.前言现在机器学习的研究领域存在很多神经网络模型，例如卷积神经网络 (CNN)，循环神经网络 (RNN)，自编码器 (AutoEncoder) 等，这些模型被
图神经网络GNN研究进展：表达性、预训练、OGB（附71页ppt）
04-24
图神经网络依然是研究焦点之一。最近在WWW2020的DL4G@WWW2020论坛，斯坦福大学Jure Leskovec副教授介绍了图神经网络研究最新进展，包括GNN表现力、预训练和公开图神经网络基准等。值得关注。
Kmeans聚类中心确定
u014629974的专栏
09-04 7367
1. Conception： Dirichlet processesare a family ofstochastic processeswhose realizations (obversed values of a random variable ) are probability distributions.In other words, a Dirichlet process is a probability distribution whose range isa set of pr...
iOS与Android加速度记值的转化（convert ）
u014629974的专栏
06-04 163
ios_acc*9.81=android_acc
神经网络：手写数字图像识别
m0_67587248的博客
04-28 894
0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]，1的index为2，预测值为2，和真实值一致，预测成功。看一下神经网络模型结构：三层，输入层784，隐藏层128，输出层10。keras中有API帮助建立，用Sequential的AIP建立。epochs迭代次数，这里选择10次迭代。使用keras.中的mnist数据集。
【跟马少平老师学AI】-【神经网络是怎么实现的】（七-1）词向量
weixin_43638099的博客
05-02 463
2）神经网络处理文本，先要解决文本的表示（图像的表示用像素RGB）。9）用BP算法训练的不仅是神经网络语言模型的参数，也包含词向量。6）最大似然估计，通过让联合概率最大化估计概率的方法。10）稠密词向量可以计算两个向量的距离，有语义意义。8）对似然函数进行对数转换，取相反数，求最小值。1）神经网络不仅可以处理图像，还可以处理文本。清华大学=[0,0,1,0,0,0,0,0]清华园=[0,0,0,0,0,0,1,0]美丽的=[0,0,0,0,0,1,0,0]猪向量=[1.0,0.1,1.0]
【跟马少平老师学AI】-【神经网络是怎么实现的】（九）长短期记忆网络
weixin_43638099的博客
05-02 341
2）同一句话，对于不同的任务，句中不同的词起的作用也不一样。1）RNN也会存在梯度消失的问题。
人工智能_大模型044_模型微调004_随机梯度下降优化_常见损失计算算法_手写简单神经网络_实现手写体识别---人工智能工作笔记0179
添柴程序猿的专栏
04-29 210
然后对于,训练过程我们知道,其实就是让,训练所用的神经网络嵌套函数,也就是让很多神经元,可以看到常用的距离计算,有,其实这个距离计算,就是 预测值和结果值 的距离计算。epoch,就是执行一轮,就是一个epoch,一个epoch,也就传入一批的数据。然后对于,梯度下降,为了让训练的速度更好,更快的下降,又做了很多算法,可以看到。2.余弦距离:就是一个坐标系中,两个点,每个点和原点连起来,形成的夹角的角度.以上的代码中,使用了最简单的,神经网络模型来进行的,模型训练。可以看到和上面说的过程是一样的.
【深度学习】第一门课 神经网络和深度学习 Week 4 深层神经网络
最新发布
Summerison的博客
05-03 1119
学习深度学习第四章的笔记。
深度学习-线性回归+基础优化算法
Einstein·Jun
04-28 1071
1、线性回归是对n维输入的加权，外加偏差。2、使用平方损失来衡量预测值和真实值的差异。3、线性回归有显示解。4、线性回归可以看做是单层神经网络。我们将从零开始实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器。"""生成y=Xw+b+噪声。"""print('features:', features[0], '\nlabel:', labels[0])里插入代码片正态分布函数：normal()
图神经网络GNN代码
09-08
当然可以！以下是一个简单的示例代码，展示了如何使用PyTorch Geometric库实现一个图神经网络（Graph Neural Network，GNN）模型： ```python import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.datasets import Planetoid from torch_geometric.nn import GCNConv # 加载数据集 dataset = Planetoid(root='data/Cora', name='Cora') data = dataset[0] class GNNModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GNNModel, self).__init__() self.conv1 = GCNConv(input_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, output_dim) def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # 配置模型和优化器 input_dim = dataset.num_features hidden_dim = 16 output_dim = dataset.num_classes model = GNNModel(input_dim, hidden_dim, output_dim) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) # 训练模型 model.train() for epoch in range(200): optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() # 测试模型 model.eval() _, pred = model(data.x, data.edge_index).max(dim=1) correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item()) acc = correct / int(data.test_mask.sum()) print(f'Test Accuracy: {acc:.4f}') ``` 上述代码使用了PyTorch Geometric库来加载Cora数据集，并根据GCN（Graph Convolutional Network）模型的架构实现了GNN模型。模型的前向传播通过两个GCNConv层实现，使用ReLU作为激活函数，并使用log_softmax输出。然后使用Adam优化器进行训练，并使用负对数似然损失进行监督学习。最后，将模型切换到评估模式，计算测试集上的准确率。 请注意，这只是一个简单的示例，实际应用中可能需要根据需求进行调整和优化。你可以根据自己的数据集和任务来修改和扩展这个代码。希望对你有帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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