- 博客(15)
- 收藏
- 关注
RSS订阅原创 PyG 中Message Passing机制详解
消息传递图神经网络一、引言在开篇中我们介绍了，为节点生成节点表征（Node Representation）是图计算任务成功的关键，我们要利用神经网络来学习节点表征。消息传递范式是一种聚合邻接节点信息来更新中心节点信息的范式，它将卷积算子推广到了不规则数据领域，实现了图与神经网络的连接。消息传递范式因为简单、强大的特性，于是被人们广泛地使用。遵循消息传递范式的图神经网络被称为消息传递图神经网络。本节中，首先我们将学习图神经网络生成节点表征的范式–消息传递（Message Passing）范式。接着我
2022-03-23 10:26:37
4439
9
原创 python3 matplotlib多个子图分别对应不同colorbar
matplotlib多个热力子图分别对应不同colorbar代码如下from matplotlib import pyplot as pltimport numpy as np'''颜色的选择：'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap', 'CMRmap_r', 'Dark2', 'Dark2_r', 'GnBu', 'GnBu
2022-02-27 09:08:39
1416
原创 matplotlib绘制热力图，并显示数值。
matplotlib绘制热力图，并显示数值代码如下：from matplotlib import pyplot as pltimport numpy as npdef draw(): # 定义热图的横纵坐标 xLabel = ['0.1', '0.3', '0.5', '0.7', '0.9', '1'] yLabel = ['0.001', '0.01', '0.1', '1'] # 准备数据阶段，利用random生成二维数据（5*5） data
2022-02-26 16:21:24
6190
原创 对 CircR2Disease v2.0 进行数据清洗产生circRNA-disease关联矩阵的方法
对 CircR2Disease v2.0 进行数据清洗产生circRNA-disease关联矩阵的方法circRNA-disease关联矩阵 是通过机器学习方法和深度学习方法预测与疾病存有潜在关联的circRNA所必须要的数据材料, 借此，基于最新记录关联数据的数据库 CircR2Disease v2.0 向大家介绍一种通过pandas进行数据清洗产生circRNA-disease 关联矩阵的方法。实现的步骤具体需要如下几步，后边会展开细节叙述。下载所需数据库 - CircR2Disease v2.0
2022-02-08 18:34:37
2646
3
原创 Latex算法命令\REQUIRE和\ENSURE显示为Input:和Output:
一、首先在导言区加入语句： \usepackage{algorithm} \usepackage{algorithmic}二、在导言区，用\renewcommand 改变现有命令的定义。加入如下语句\renewcommand{\algorithmicrequire}{ \textbf{Input:}} %Use Input in the format of Algorithm\renewcommand{\algorithmicensure}{ \textbf{Output:}}
2021-12-06 15:53:29
10882
原创 matlab最简单的按照矩阵数值大小填充颜色的效果绘图
% 加载保存为mat变量的矩阵load circRNA_ss cirRNA_ss% 分别执行下面语句imagesc(circRNA_ss);colormap jetcolorbar效果图如下：
2021-07-21 15:46:15
4313
1
原创 Matlab读取excel中的全是文本的xlsx文件，并保存在mat中！
应用函数xlsread()可将包含文本的excel文件转化成matlab中的mat文件。将下面的非数值excel文件保存为mat格式文件：应用函数：先在matlab变量区新建一个cell格式的储存变量名diseases，然后应用下面函数保存即可。[~,~,diseases]=xlsread('diseases.xlsx');其效果如下：......
2021-07-18 08:44:03
3118
原创 矩阵分解(Matrix Factorization)和矩阵补全(Matrix Completion)的区别
矩阵分解(Matrix Factorization)是指用MMM，^，，=AAAxBBB来近似矩阵MMM,那么AAAxBBB中的元素就可以用于估计MMM中对应的不可见的位置的元素值，同时AAAxBBB可以看作是MMM的分解，所以被称为矩阵分解。矩阵完成(Matrix Completion)目的是为了估计矩阵中的缺失部分(不可观察的部分)，可以看作是用矩阵XXX来近似矩阵MMM然后用XXX中的元素作为矩阵MMM中不可观察部分元素的估计。即用 M’=A×B 来近似 M，再用 M’上的元素值来填充 M 上的缺失
2021-03-26 15:03:12
1624
原创 将Matlab中的矩阵数据存入csv文件时的精度丢失问题及解决办法
文章目录1.问题描述2.解决办法1.问题描述将matlab中的矩阵数据存入csv文件的时候难免会遇到小数点后面的数值丢失的问题，通常的说就是精度丢失或者缺损。就拿今天遇到的问题来说吧！我有一个RNA和disease的嵌入矩阵，将之存入csv文件。下面展示一些 代码片。//利用csvwrite()写入csv文件csvwrite('dis_vectors.csv',dis_vectors)存入的csv文件数据如下：这里很明显的产生了数据的丢失，也说明用csvwrite()存入数据时会产生数
2021-02-21 15:49:54
5671
2
原创 谱聚类之python3实现
一、谱聚类原理及思想这里我引用网上一个大佬的文章，原理啥的都写的很详细！二、算法流程1、根据输入的相似矩阵(样本间的距离矩阵)构建样本的相似矩阵2、根据相似矩阵构建邻接矩阵(实际上这两个矩阵相同)，构建度矩阵3、计算拉普拉斯矩阵后再构建标准化的拉普拉斯矩阵D−1/2LD−1/2D^{-1/2}LD^{-1/2}D−1/2LD−1/24、计算D−1/2LD−1/2D^{-1/2}LD^{-1/2}D−1/2LD−1/2最小的k1k_1k1个特征值所对应的各自特征向量fff5、将各自对应的特征向
2020-12-25 15:00:01
711
原创 解决opencv-contrib-python无法通过pycharm编辑器导入问题
出现的问题：无法通过pycharm编辑器导入，后尝试pip导入出现权限问题。ERROR: Could not install packages due to an EnvironmentError: [WinError 5] 拒绝访问。: 'F:\\python3.8\\Lib\\site-packages\\cv2\\cv2.cp38-win_amd64.pyd'解决方法：原因是因为在通过命令pip install opencv-contrib-python导入opencv-contrib-p
2020-10-26 09:19:06
1286
原创 Numpy库中对axis(轴)的详解
文章目录前言一、Numpy中asix是什么？二、二维数组中axis的作用二、使用步骤1.引入库2.读入数据总结前言提示：今天更新一个小知识点，是关于numpy里面一个关键词(axis)，作为刚接触不久的我来说可以说是增加见识了。起初我也是对这个关键词也是半懂不懂，二维的数组还搞得来，但是到高维数组的时候就是“我是谁，我在哪儿”这种状态了，通过看一些大佬的博客和学习官方文档，于是有一点感受，所以呢在这里向大家分享一下。提示：以下是本篇文章正文内容，下面案例可供参考一、Numpy中asix是什么？.
2020-10-11 11:45:13
1755
1
原创 机器学习之梯度下降算法(python实现)
机器学习之梯度下降算法(python实现)一点关于学习梯度下降算法的感受首先就个人体验来看，在本科期间在学习运筹与优化这门课程就接触过梯度下降算法，那个时候就是单一的求一个具体多变量函数的最小值问题。现在在机器学习里面的梯度下降算法更多的是根据训练数据集去找到一个合适的拟合函数，那么怎么样才能找到一个拟合度高的函数使之在测试集上有较好的泛化能力，此时就需要定义一个拟合函数模型和一个损失函数，当损失函数的取值最小时就可以得到这个在训练集拟合度好的函数了。得到这个函数模型之后就可以去做相关测试数据的预测了。
2020-10-06 15:18:39
15340
13
原创 用列主元高斯消去法和列主元三角分解法解线性方程
用列主元高斯消去法和列主元三角分解法解线性方程【目的和意义】高斯消去法是一个古老的求解线性方程组的方法，但由它改进得到的选主元的高斯消去法则是目前计算机上常用的解低阶稠密矩阵方程组的有效方法。用高斯消去法解线性方程组的基本思想时用矩阵行的初等变换将系数矩阵A约化为具有简单形式的矩阵（上三角矩阵、单位矩阵等），而三角形方程组则可以直接回带求解用高斯消去法解线性方程组除法运算步骤为，加减运...
2019-05-18 15:35:17
6374
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