网络表示学习 常用数据集

最新推荐文章于 2023-04-13 21:15:15 发布
最新推荐文章于 2023-04-13 21:15:15 发布
阅读量745 收藏 2
点赞数

Zachary’s karate club

一个大学空手道俱乐部的社交关系图, 很多论文中都喜欢用它做例子. 
这个图比较简单, 有34个节点, 78条边.

youtube 2

数据集介绍见[2]. 
node有两种, personperson 与 groupgroup, edge 也有两种, friend⊆(person×person)friend⊆(person×person), membership⊆(person×group)membership⊆(person×group)
person 个数: 1138499 
friend 关系个数: 2990443 
group 个数:47.
WN18

来自 WordNet. 
18 relation types; 40K entities.

FB15K

来自 Freebase. 
1.3K relation types; 14K entities.

参考

wikipedia, Zachary’s karate club
deepwalk中的测评数据集之一, YouTube2
--------------------- 
作者：yichudu 
来源：CSDN 
原文：https://blog.csdn.net/chuchus/article/details/80760508 
版权声明：本文为博主原创文章，转载请附上博文链接！

吴帮吕
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数据集WN18.zip
08-02
数据集WN18.zip
WN18 数据集
03-02
For training, datasets contain three files: train2id.txt: training file, the first line is the number of triples for training. Then the follow lines are all in the format (e1, e2, rel). entity2id.txt: all entities and corresponding ids, one per line. The first line is the number of entities. relation2id.txt: all relations and corresponding ids, one per line. The first line is the number of relations. For testing, datasets contain additional two files (totally five files): test2id.txt: testing file, the first line is the number of triples for testing. Then the follow lines are all in the format (e1, e2, rel). valid2id.txt: validating file, the first line is the number of triples for validating. Then the follow lines are all in the format (e1, e2, rel).
常用知识图谱数据集FB15K, YAGO, WN18
热门推荐
Norstc的博客
10-28 1万+
一 FB15K-237 FB15k-237共14541个实体，237种关系，它是FB15K的子集，FB15K又是Freebase数据集的子集 详细见：FB15K-237知识图谱数据集的介绍与分析，Freebase 二 WN18rr WN18rr是从WordNet抽取的子集，共40943个实体，11种关系。 关系列表如下： 0 _hypernym 1 _derivationally_related_form 2 _instance_hypernym 3 _also_see 4 _member
Freebase数据集介绍
qq_44256269的博客
04-13 3464
freebase数据集介绍
数据集WordNet-WN18
Crazy的博客
12-13 5014
数据集： 数据集WN18是WordNet的子集，包含18种关系和40k种实体。 hhttps://download.csdn.net/download/qq_21097885/11013930 类别 数量 #Relation 18 #Entity 40,943 #Train 141,442 #Valid 2,500 #Test 2,500 论文： 持续更新中。。...
知识表示学习常用数据集
lzw17750614592的博客
03-03 1935
WN11 WN11所包含的11种关系 出处（SE） Bordes A, Weston J, Collobert R, et al. Learning Structured Embeddings of Knowledge Bases[C]//AAAI. 2011, 6(1): 6. PDF 特点 As WordNet is composed ...
图数据集（图结构数据集）+图神经网络-深度学习
03-09
这是总结的深度学习中常用的11个图数据集。 1. 近年来，深度学习越来越关注图方向的任务，通过利用图神经网络去挖掘现实中各种可以利用图来表示事物（社交网络，论文引用网络，分子结构）等等，来学习更好的表示，去...
深度学习数据集MNIST.zip
08-10
深度学习常用数据集，共有7万张图片。其中6万张用于训练神经网络，1万张用于测试神经网络。 每张图片是一个28*28像素点的0~9的手写数字图片。 黑底白字。黑底用0表示，白字用0~1之间的浮点数表示，越接近1，颜色越...
Keras常用内置数据集及用法-日月光华.zip
11-30
Keras常用内置数据集及用法-日月光华 数据集是用于深度学习 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人...
基于融合元路径的图卷积异质信息表示学习算法
07-07
近年来，网络表示学习（ Network RepresentaTIon Learning，NRL）作为一种在低维空间中表示节点来分析异质信息网络（ Heterogeneous InformaTIon Networks，HIN）的有效方法受到越来越多的关注。基于随机游走的方法...
数据集FB15K.rar
11-08
知识图谱FB15K数据集
FB15K 数据集
03-02
用在此处 https://github.com/thunlp/OpenKE For training, datasets contain three files: train2id.txt: training file, the first line is the number of triples for training. Then the follow lines are all in the format (e1, e2, rel). entity2id.txt: all entities and corresponding ids, one per line. The first line is the number of entities. relation2id.txt: all relations and corresponding ids, one per line. The first line is the number of relations. For testing, datasets contain additional two files (totally five files): test2id.txt: testing file, the first line is the number of triples for testing. Then the follow lines are all in the format (e1, e2, rel). valid2id.txt: validating file, the first line is the number of triples for validating. Then the follow lines are all in the format (e1, e2, rel).
WordNet-WN18
03-12
数据集WN18是WordNet的子集，包含18种关系和40k种实体。训练集中包含141,442条三元组，验证集中包含2,500条三元组，测试集中包含2,500条三元组。
数据集WN18.rar
11-08
知识图谱WN18数据集
卷积神经网络研究综述.pdf
08-22
且随着训练数据集数量的显著增长 以及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因 此也促进了人工智能的发展．深度学习是包含多级非线性变换的层级机器学习...
#这是一篇关于 LabVIEW 介绍说明、使用技巧和优缺点对文章
最新发布
04-26
labview
重庆大学数字电子技术试题.pdf
04-26
重庆大学期末考试试卷，重大期末考试试题，试题及答案
重庆大学2012电磁场考题（A）参考答案及评分标准.pdf
04-26
重庆大学期末考试试卷，重大期末考试试题，试题及答案
5G智慧港口解决方案.pptx
04-26
在现有省、市港口信息化系统进行有效整合基础上，借鉴新 一代的感知-传输-应用技术体系，实现对码头、船舶、货物、重 大危险源、危险货物装卸过程、航管航运等管理要素的全面感知、 有效传输和按需定制服务，为行政管理人员和相关单位及人员提 供高效的管理辅助，并为公众提供便捷、实时的水运信息服务。 建立信息整合、交换和共享机制，建立健全信息化管理支撑 体系，以及相关标准规范和安全保障体系；按照“绿色循环低碳” 交通的要求，搭建高效、弹性、高可扩展性的基于虚拟技术的信 息基础设施，支撑信息平台低成本运行，实现电子政务建设和服务模式的转变。 实现以感知港口、感知船舶、感知货物为手段，以港航智能 分析、科学决策、高效服务为目的和核心理念，构建“智慧港口”的发展体系。 结合“智慧港口”相关业务工作特点及信息化现状的实际情况，本项目具体建设目标为： 一张图(即GIS 地理信息服务平台) 在建设岸线、港口、港区、码头、泊位等港口主要基础资源图层上，建设GIS 地理信息服务平台，在此基础上依次接入和叠加规划建设、经营、安全、航管等相关业务应用专题数据，并叠 加动态数据，如 AIS/GPS/移动平台数据，逐步建成航运管理处 "一张图"。系统支持扩展框架，方便未来更多应用资源的逐步整合。 现场执法监管系统 基于港口(航管)执法基地建设规划，依托统一的执法区域 管理和数字化监控平台，通过加强对辖区内的监控，结合移动平 台，形成完整的多维路径和信息追踪，真正做到问题能发现、事态能控制、突发问题能解决。 运行监测和辅助决策系统 对区域港口与航运业务日常所需填报及监测的数据经过科 学归纳及分析，采用统一平台，消除重复的填报数据，进行企业 输入和自动录入，并进行系统智能判断，避免填入错误的数据， 输入的数据经过智能组合，自动生成各业务部门所需的数据报 表，包括字段、格式，都可以根据需要进行定制，同时满足扩展 性需要，当有新的业务监测数据表需要产生时，系统将分析新的 需求，将所需字段融合进入日常监测和决策辅助平台的统一平台中，并生成新的所需业务数据监测及决策表。 综合指挥调度系统 建设以港航应急指挥中心为枢纽，以各级管理部门和经营港 口企业为节点，快速调度、信息共享的通信网络，满足应急处置中所需要的信息采集、指挥调度和过程监控等通信保障任务。 设计思路 根据项目的建设目标和“智慧港口”信息化平台的总体框架、 设计思路、建设内容及保障措施，围绕业务协同、信息共享，充 分考虑各航运(港政)管理处内部管理的需求，平台采用“全面 整合、重点补充、突出共享、逐步完善”策略，加强重点区域或 运输通道交通基础设施、运载装备、运行环境的监测监控，完善 运行协调、应急处置通信手段，促进跨区域、跨部门信息共享和业务协同。 以“统筹协调、综合监管”为目标，以提供综合、动态、实 时、准确、实用的安全畅通和应急数据共享为核心，围绕“保畅通、抓安全、促应急"等实际需求来建设智慧港口信息化平台。 系统充分整合和利用航运管理处现有相关信息资源，以地理 信息技术、网络视频技术、互联网技术、移动通信技术、云计算 技术为支撑，结合航运管理处专网与行业数据交换平台，构建航 运管理处与各部门之间智慧、畅通、安全、高效、绿色低碳的智 慧港口信息化平台。 系统充分考虑航运管理处安全法规及安全职责今后的变化 与发展趋势，应用目前主流的、成熟的应用技术，内联外引，优势互补，使系统建设具备良好的开放性、扩展性、可维护性。
深度学习使用前馈神经网络识别minst手写数据集torch
10-31
深度学习是一种人工智能技术，可以通过训练大规模数据来学习和识别模式。在深度学习中，前馈神经网络（Feedforward Neural Network）是最常用的模型之一，它由多个神经元层组成，每个神经元接收上一层的输出作为输入，并通过激活函数将输出传递给下一层。 MNIST是一个常用的手写数字识别数据集，其中包含了60000个用于训练的样本和10000个用于测试的样本。每个样本都是28x28像素的灰度图像，表示了0-9之间的手写数字。 在使用深度学习识别MNIST手写数据集时，我们可以使用PyTorch这样的深度学习框架进行实现。首先，我们需要导入相关的库和模块，并加载数据集。然后，我们可以定义一个前馈神经网络模型，该模型包含若干隐藏层和输出层。每个隐藏层可以使用不同的激活函数，如ReLU或Sigmoid，以增强模型的非线性能力。 接下来，我们可以定义损失函数和优化器，用于评估模型的性能并更新模型的参数。常用的损失函数有交叉熵损失函数，而常用的优化器有梯度下降法和Adam优化器。 接下来，我们可以进行模型的训练。训练过程中，我们使用训练集进行前向传播和反向传播，根据损失函数计算损失，并通过优化器调整模型参数。经过反复的迭代训练，模型可以逐渐提高准确率。 最后，我们可以使用测试集对训练好的模型进行评估。通过将测试集输入到模型中，并将输出与实际标签进行比较，我们可以计算出模型的准确率。如果在测试集上的准确率较高，那么我们可以认为这个模型在MNIST手写数据集上的识别效果较好。 总之，通过使用前馈神经网络模型和深度学习框架如PyTorch，我们可以对MNIST手写数据集进行准确的识别。这个过程包括数据加载、模型定义、损失函数与优化器的选择、模型的训练和模型的评估。通过不断地优化和调整模型，我们可以达到更高的识别准确率。

“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
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