自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(43)
  • 收藏
  • 关注

原创 AttributeError: module ‘tensorflow‘ has no attribute ‘py_func‘

AttributeError: module 'tensorflow' has no attribute 'py_func'

2023-03-08 13:21:57 471

原创 TypeError: Cannot convert a symbolic Keras input/output to a numpy array.

TypeError: Cannot convert a symbolic Keras input/output to a numpy array.

2023-03-08 12:51:49 605 1

原创 ValueError: Object arrays cannot be loaded when allow_pickle=False

ValueError: Object arrays cannot be loaded when allow_pickle=False

2023-03-01 10:41:18 145

原创 pytorch中的forward函数(以HAN算法为例详细说明)

pytorch中的forward函数(以HAN算法为例详细说明)

2023-02-28 16:18:56 545

原创 RuntimeError: Expected all tensors to be on the same device, but found at least two devices

RuntimeError: Expected all tensors to be on the same device, but found at least two devices

2023-02-28 10:17:01 412 2

原创 PyTorch-Geometric安装教程

PyTorch-Geometric安装教程实测有效

2023-02-27 16:39:21 736

原创 print(torch.cuda.is_available())输出为False

print(torch.cuda.is_available())输出为False

2023-02-27 15:43:06 186

原创 如何查看CUDA版本

查看CUDA版本

2023-02-26 16:58:01 1376

原创 【无标题】

Python报错类型为:AttributeError: 'Namespace' object has no attribute '属性名'

2022-11-09 20:03:27 2736

原创 浅析大数据

一、大数据随着云时代的来临,大数据(Big data)也吸引了越来越多的关注。大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。麦肯锡全球研究所给出的定义是:一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据技术的战略意义不在于掌握庞大的数据信息,而在于对这些含有意

2021-04-02 10:50:15 624

原创 python实现网页长截图

python实现网页长截图实现原理使用工具和第三方库参考内容网址具体代码案例实现原理你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。使用工具和第三方库Python、PycharmPILseleniumwebdriver安装参考内容网址selenium网址https://www.selenium.dev/documentation/en/webdriver/

2021-04-01 14:03:30 1969

原创 webdriver安装

首先了解自己所需使用的浏览器,这里以谷歌浏览器为例,火狐、Edge安装方式相同,找相应webdriver即可。查看自己浏览器的版本去官网找对应版本的webdriver网址:http://npm.taobao.org/mirrors/chromedriver/下载,解压,将chromedriver.exe放在与谷歌浏览器相同目录下环境配置在用户环境变量和系统环境的PATH中添加谷歌浏览器目录具体代码from selenium import webdriver..

2021-04-01 11:41:27 10912 1

原创 数据挖掘——推荐系统(分别基于用户和商品)

近年来,推荐系统充分应用于我们生活中,我们购物时,购物软件会根据我们日常购物以及浏览信息向我们推荐系统自认为我们需要的东西;看小视频时,软件会记录我们浏览信息,向我们推荐我们经常浏览的类型等。通过这个实验了解这些推荐系统的原理及实现。

2020-06-27 20:24:30 2139

原创 泰坦尼克沉船数据预测及可视化分析

泰坦尼克号沉船事件发生在1912年4月。泰坦尼克号是当时世界上最大的客运轮船,首航泰坦尼克号从英国南安普敦出发,途经法国瑟堡-奥克特维尔以及爱尔兰昆士敦,计划中的目的地为美国纽约。由于航行途中瞭望员没有及时发现前方的冰峰,船撞上冰峰发生船难。随后,泰坦尼克号沉没,2224名乘客和机组人员中有1502人遇难。沉船导致大量伤亡的原因之一是没有足够的救生艇给乘客和船员。一些人可能比其他人更有可能生存,比如妇女,儿童和上层阶级,但,幸存下来的因素研究及讨论一直没有停止过。

2020-06-27 20:07:22 3133

原创 毒蘑菇数据集的分类及评估

对于朴素贝叶斯算法,准确率为93.3%,召回率为88.3%,从准确率及召回率值来看,朴素贝叶斯分类算法可以用于预测,但与决策树及KNN算法相比,朴素贝叶斯算法的预测能力还是不够的。由于分析对象是蘑菇是否有毒,对于食用物来说我们要提高召回率即查全率,相比三种模型,决策树和KNN都将准确率和召回率达到最大值,可很有说服力的作为预测模型,相比较而言朴素贝叶斯召回率只有88.3%,由于有更好的预测模型,因此可以忽略朴素贝叶斯方法。a) 查看数据行列情况,判断是否有空行,进行删除;决策树效果:(未解决中文乱码问题)

2020-06-27 18:11:57 3288

原创 数据的探索分析及处理

首先将数据集转化为数据框格式,type(chipo)可查看chipo的数据格式,chipo.head(10)可查出数据的前10条记录,chipo.shape查看数据的形状,第一个参数表示行的个数,第二个参数表示列的个数,list(chipo)查看列名集合,chipo.index查看数据的索引,另外,结合具体数据得出其他结果,例如总金额等于总数量与单价的乘积等。在实际数据挖掘过程中,我们拿到的初始数据,往往存在缺失值、重复值、异常值或者错误值,通常这类数据被称为“脏数据”,需要对其进行清洗。

2020-06-27 17:55:11 287

原创 数据挖掘——对鸢尾花数据进行聚类分析

k-means算法中的k代表类簇个数,means代表类簇内数据对象的均值(这种均值是一种对类簇中心的描述),因此,k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法,以距离作为数据对象间相似性度量的标准,即数据对象间的距离越小,则它们的相似性越高,则它们越有可能在同一个类簇。k-means算法是一种聚类算法,所谓聚类,即根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。

2020-06-27 17:44:34 5720

原创 数据挖掘——关联分析(关联规则产生)

输入事务集,设置最小支持度及最小置信度阈值,调用apyori库中的apriori方法,在这里不满足最小支持度、置信度和提升度的项集以及规则会被自动排除,进而遍历Apriori后的结果得出频繁项以及频繁项的支持度,同时也产生达到最小置信度阈值的规则。其中,挖掘或识别出所有频繁项集是该算法的核心,占整个计算量的大部分。通过自己编写的函数输出频繁1项集、频繁2项集、频繁3项集,以及产生达到最小置信度阈值的规则。(1) 通过迭代,检索出事务数据集中的所有频繁项集,即支持度不低于用户设定的阈值的项集;

2020-06-27 17:36:56 1872

原创 数据挖掘——最近邻、朴素贝叶斯方法

同使用KNN训练模型的大致思路一样,先将数据集划分为训练集和测试集,再创建模型GaussianNB(),将训练数据传入模型对模型进行训练,最后用所建模型进行预测,在这里分别对训练集和测试集进行预测,有结果可看出所建朴素贝叶斯模型对训练数据预测的准确率为0.96,对测试集预测的准确率为0.95,由于测试集和训练集的准确率都较高,故模型可用。在本实验中随机选择4个数作为一条记录,K值选择3,可得出与该随机记录相邻的3条记录,最后得出该随机记录预测标签为2。

2020-06-27 17:28:38 797

原创 数据挖掘——决策树分类算法

算法原理决策树算法依据对一系列属性取值的判定得出最终决策。在每个非叶子节点上进行一个特征属性的测试,每个分支表示这个特征属性在某个值域上的输出,而每个叶子节点对应于最终决策结果。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点对应的类别作为决策结果。算法的目的是产生一棵泛化性能强,即处理未见数据能力强的决策树。实验内容1、利用相应库中算法对鸢尾花数据构建决策树2、可视化决策树3、分别查看训练集、测试集上模型的评估指标(准确

2020-06-27 17:20:11 696

原创 数据挖掘——数据可视化

数据获取从本地读取iris数据集,将列名命名为:‘sepal length’, 'sepal width ', ‘petal length’,‘petal width’, ‘species’。#数据获取iris_data=pd.read_csv("iris.csv",header=None,names=['sepal length','sepal width', 'petal length','petal width','species'])iris=pd.

2020-06-27 17:13:33 1142

原创 数据挖掘——数据的清洗与预处理

学习了数据分析包pandas,利用pandas包中的数据结构DataFrame以及该结构中的方法对数据进行分析。

2020-06-27 16:59:09 769

原创 Zookeeper简介、安装以及简单使用

ZookeeperzookeeperZookeeper是一个开源的分布式,为分布式应用提供协调服务的Apache项目存储和管理数据节点,一旦数据节点的状态发生变化,zookeeper通知在zookeeper上注册的客户端zookeeper特点一个leader,多个Follower集群中有半数以上节点存活,zookeeper集群就可以正常服务全局数据一致性,无论客户端连接到哪个服...

2020-04-25 11:29:55 408

原创 拟合不足与过拟合

拟合不足由于属性预测太少,决策树生长不足,导致训练集和预测及的误差均偏大。过拟合过拟合指训练误差较小,但测试集误差较大,即模型的泛化能力差,对未知样本预测误差较大,形成过拟合。形成过拟合的原因有:缺乏代表性样本训练集样本规模过小模型的复杂度过高...

2020-04-21 10:25:22 1170

原创 基于OpenCV的人脸识别考勤系统

考勤系统设计人脸数据库的建立图像采集图像预处理及模型训练人脸检测人脸特征识别数据库与OpenCV通信显示签到结果

2020-03-01 16:03:36 21390 102

原创 Eclipse开发环境下开发Web项目环境部署

安装及配置tomcat服务器下载tomcat服务器。下载地址http://tomcat.apache.org/将文件解压至一个非中文路径bin:二进制执行文件。包含启动文件startup.bat。conf:配置目录。包含核心文件server.xml(可在此文件中更改端口号,默认端口号为8080)。lib:库文件。存放tomcat服务器运行时所需要的jar包。logs:日志文...

2020-02-26 17:53:23 1243

原创 Hive的安装及配置详解(含图文)

Hive安装的基础JDK安装完成Hadoop安装完成Mysql安装成功Hive的安装在官网下载Hive的安装包进入官网选择下载的镜像选择下载的版本将安装包拷贝至虚拟机下解压安装包至/software并将文件夹名改为Hive配置环境变量(路径/etc 文件名:profile)配置完成后使用命令source /etc/profile刷新文件验证Hive...

2020-01-29 10:19:00 5021

原创 FAILED: SemanticException org.apache.hadoop.hive.ql.metadata.HiveException: java.lang.RuntimeExcepti

Hive配置完使用MySQL时报错报错内容:FAILED: SemanticException org.apache.hadoop.hive.ql.metadata.HiveException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaS...

2020-01-28 15:03:01 1961

原创 CentOS环境下安装MYSQL

下载并安装MySQL官方的 Yum Repository安装Yum Repository wget -i -c http://dev.mysql.com/get/mysql57-community-release-el7-10.noarch.rpm下载MySQL服务器yum -y install mysql57-community-release-el7-10.noarch.rp...

2020-01-15 17:59:33 122

原创 Centos中Hadoop安装详细过程(含图文)

CentOS中hadoop的安装安装环境虚拟机上三台centos系统使用NET模式连接有线网络在命令行使用ifconfig命令查看静态IP地址Xshell5安装在Windows上,用于连接虚拟机所需软件下载Hadoop官网下载Hadoop:http://hadoop.apache.org/JDK官网下载:https://www.oracle.com/technet...

2020-01-12 16:34:50 11298

原创 设置虚拟机中Linux系统的静态IP地址

设置虚拟机中Linux系统的静态IP地址设置虚拟机的虚拟网络使用管理员身份打开虚拟机打开编辑—>虚拟网络编辑器点击VMnet8,设置NAT设置和DHCP设置NET设置为DHCP设置为点击确定在Linux中更改静态IP使用dhclient获取IP地址,再使用ifconfig或ip addr查看IP地址检测虚拟机是否可以上网:ping www.baidu...

2020-01-12 12:12:58 923

原创 在java eclipse中使用web开发XXX数据库管理环境配置

安装Web,XML,serve等插件Web,XML,serve等插件安装过程file->import->General->Existing Projects into Workspace 在中选择已有文件右键所选项目,选择Build path->Configure Build path…在此页面选择Libraries,把对应没有的库通过Add External...

2019-01-15 16:59:45 246

原创 各种排序算法

排序算法算法的分类算法的性能比较相关概念:稳定:如果a原本在b前面,而a=b,排序之后a仍然在b的前面。不稳定:如果a原本在b的前面,而a=b,排序之后 a 可能会出现在 b 的后面。时间复杂度:对排序数据的总的操作次数。反映当n变化时,操作次数呈现什么规 律。空间复杂度:是指算法在计算机内执行时所需存储空间的度量,它也是数据规模n的函数。1- 冒泡排序...

2019-01-08 10:23:40 174

原创 eclipse里安装web,php,xml,service插件的方法

安装打开eclipse,点击help-Install new software-单击add,取任意名字,在位置处输入http://download.eclipse.org/releases/oxygen如若只出现此页面勾选底处Group items by category选项,出现页面勾选Web ,XML,Java EE and OSGi Enterprise Develo...

2018-12-12 20:45:17 1667 2

原创 Mysql无法连接到服务

适用性:MySQL无法正常连接,sql页面上运行等图标为灰色,无法正常使用database里MySQL Connections里面点击test connection 弹出运行失败的窗口解决办法:右键我的电脑打开管理2.单击服务3. 找到MySQL574.右键单击启动5.再次打开数据库即可连接(注:也可打开MySQL57,将常规中的启动类型更改为自动)...

2018-12-10 15:13:46 394

原创 测试数据库连接的简单小技巧

创建一个文本文档即.txt文档把文档后缀名.txt改为.udl进行选择所用程序以及进行测试

2018-12-04 18:19:47 2145

原创 MySql中三种循环while、loop、repeat的使用

while循环 语法:WHILE [条件] DO [逻辑] END WHILE;delimiter $$ create trigger tushu_after_delete after delete on sa.tushufor each rowbegin while isbn!=null doset mulu.qit=mulu.qit-1;end while;end; $...

2018-11-25 22:28:08 1977

原创 MySQL控制台的几个操作

事务:用于保证数据的一致性,它由一组相关的dml语句组成,该组的dml语句要么全部成功,要么全部失败。如:网上转账就是典型的要用事务来处理,用以保证数据的一致性。事务是一个不可分割的工作单位,事务中的操作要么都发生,要么都不发生事务前后数据的完整性必须保持一致多个用户并发访问数据库时,一个用户的事务不能被其它用户的事物所干扰,多个并发事务之间的数据要相互隔离。一个事务一旦被提交,它对数据...

2018-11-23 08:53:11 507

原创 Mysql 在更新删除语句时遇到的问题

Mysql 在更新删除语句时遇到的问题错误提示为:You are using safe update mode and you tried to update a table without a WHERE that uses a KEY column解决方法如下:打开Workbench的菜单[Edit]->[Preferences…]切换到[SQL Editor]页面把[Forbid ...

2018-11-03 13:58:59 383

原创 Mysql触发器

在sql脚本中写触发器在前面加入delimiter$$也可在设置中设置触发器如红色区域中设置触发器类型蓝色区域是设置触发器类型在这里设置触发器只需要把基本关联的语句填入即可...

2018-11-01 22:26:43 79

Graph Transformer Networks(GTN)代码含解释

GTN(1)提出了一种新的图变换网络,识别有用的元路径和多跳连接来学习图上的有效节点表示。 (2)图的生成是可解释的,提供有效路径连接的解释。 (3)证明了图变换网络学习的节点表示的有效性,从而获得了最佳的性能,而现有的方法在异质图的所有三种基准节点分类中都使用了领域知识 ****Graph Transformer Networks用于学习异构图上的节点表示,方法是将异构图转换为由元路径定义的多个新图,这些元图具有任意边类型和任意长度,通过在学习的元路径图上进行卷积来表示节点。

2023-03-02

GCN测试代码和GPU设备测试代码

里面包含GCN模型及GPU测试代码。帮助解决不懂GPU怎么在python中使用的同学,也算是基础,希望可以帮助到你

2023-03-01

PyGCN(Graph Convolutional Nueral Network)图卷积网络的算法实现

图卷积网络Graph Convolutional Nueral Network,简称GCN。 深度学习一直都是被几大经典模型给统治着,如CNN、RNN等等,它们无论再CV还是NLP领域都取得了优异的效果,那这个GCN是怎么跑出来的?是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。GCN实际上跟CNN的作用一样,就是一个特征提取器,只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法,从而让我们可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graph classification)、边预测(link prediction),还可以顺便得到图的嵌入表示(graph embedding),可见用途广泛。

2023-02-28

GraphSAGE算法的实现

GraphSAGE[1]是一个经典的基于空域的算法,它从两个方面对传统的GCN做了改进,一是在训练时的,采样方式将GCN的全图采样优化到部分以节点为中心的邻居抽样,这使得大规模图数据的分布式训练成为可能,并且使得网络可以学习没有见过的节点,这也使得GraphSAGE可以做归纳学习(Inductive Learning)。第二点是GraphSAGE研究了若干种邻居聚合的方式,并通过实验和理论分析对比了不同聚合方式的优缺点。

2023-02-28

pyGAT(graph attention networks)图自注意网络pytorch版本代码

GAT(graph attention networks)图自注意网络:1,使用了attention机制来描述邻接节点对于节点的重要性;2,采用邻接矩阵作为mask;3,引入了attention heads,即K,以扩展attention机制的channel;

2023-02-28

HAN算法相关代码实现

最近,深度学习中最令人兴奋的进步之一是注意机制,它的巨大潜力在各个领域。 本文首先提出了一种基于层次注意力的异构图神经网络(HAN),包括节点级注意力和语义级注意力。具体地说: (1)节点级注意力: 旨在学习节点与其基于元路径的邻居之间的重要性; (2)语义级注意力: 能够学习不同元路径的重要性; 通过从节点级和语义级两个层次上学习重要性,可以充分考虑节点和元路径的重要性。该模型通过对基于元路径的邻域特征进行分层聚合,生成节点嵌入。在三个真实世界的异质图上的大量实验结果不仅显示了我们所提出的模型比现有的模型更优越的性能,而且也显示了它潜在的良好的图分析的可解释性。

2023-02-28

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除