第一次搭建GCN遇到的问题

Problem1 python _、__和__xx__的区别

_xx 单下划线开头
Python中不存在真正的私有方法。为了实现类似于c++中私有方法,可以在类的方法或属性前加一个“_”单下划线,意味着该方法或属性不应该去调用,它并不属于API。
"__"双下划线
这个双下划线更会造成更多混乱,但它并不是用来标识一个方法或属性是私有的,真正作用是用来避免子类覆盖其内容。
__xx__前后各双下划线
__xx__经常是操作符或本地函数调用的magic methods。

Problem2 @property @classmethod @staticmethod
python @property的介绍与使用

class cal:
    cal_name = '计算器'
    def __init__(self,x,y):
        self.x = x
        self.y = y

    @property           #在cal_add函数前加上@property,使得该函数可直接调用,封装起来
    def cal_add(self):
        return self.x + self.y

    @classmethod        #在cal_info函数前加上@classmethon,则该函数变为类方法,该函数只能访问到类的数据属性,不能获取实例的数据属性
    def cal_info(cls):  #python自动传入位置参数cls就是类本身
        print('这是一个%s'%cls.cal_name)   #cls.cal_name调用类自己的数据属性

    @staticmethod       #静态方法 类或实例均可调用
    def cal_test(a,b,c): #改静态方法函数里不传入self 或 cls
        print(a,b,c)
c1 = cal(10,11)
cal.cal_test(1,2,3)     #>>> 1 2 3
c1.cal_test(1,2,3)      #>>> 1 2 3

Probloem3 python numpy genfromtxt用法及代码示例

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GCN模型(Graph Convolutional Network)是一种用于处理图结构数据的机器学习模型。它的搭建和训练过程可以分为以下几个步骤: 1. 数据准备:首先需要准备好图数据集。这个数据集通常表示为一个邻接矩阵,其中每个节点表示图中的一个实体,边表示实体之间的连接关系。 2. 特征提取:对于每个节点,需要提取其相应的特征向量。这可以是节点属性的向量表示,也可以是通过其他方法得到的特征向量。 3. 图卷积层构建:GCN模型主要由多个图卷积层组成。每个图卷积层将节点的特征与其邻居节点的特征进行聚合,并采用一定的非线性激活函数进行转换。通过多层的图卷积层,可以逐步将节点特征进行传播和更新。 4. 模型搭建:通过将多个图卷积层串联起来,构建GCN模型。可以在模型中添加其他层,如池化层或全连接层,以提高模型的性能。 5. 模型训练:使用梯度下降等优化算法,将模型的预测结果与真实标签进行比较,计算损失函数。通过反向传播算法,更新模型参数,减小损失函数的值。这个过程可以通过迭代多个epoch来完成。 6. 模型评估:使用验证集或测试集评估训练好的GCN模型的性能。常用的指标包括准确率、F1值等。 7. 超参调优:根据模型在验证集上的性能,调整模型的超参数,如学习率、隐藏单元数、层数等。 8. 模型应用:将训练好的GCN模型应用于未知样本的预测或分类任务中。 总的来说,GCN模型的搭建和训练过程包括数据准备、特征提取、图卷积层构建、模型搭建、模型训练、模型评估、超参调优和模型应用等一系列步骤。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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