配置st-metanet环境（DGL+MXNET）

最新推荐文章于 2023-03-22 02:12:12 发布
最新推荐文章于 2023-03-22 02:12:12 发布
阅读量360 收藏
点赞数
分类专栏： 代码 python
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/zhh_hhz/article/details/118895641
版权

dgl0.6.0下载地址：

https://pypi.tuna.tsinghua.edu.cn/packages/13/c4/d1b00c7cbb186b6d41bbe9f13037409dd05a423b04191166582d98251454/dgl_cu101-0.6.0-cp36-cp36m-manylinux1_x86_64.whl#sha256=e86b8dd50b85d17b14d7aee080c4724c368fc352bc8a75c93222843c048adc49

torch1.6.0 command：
conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.1 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
zhh_hhz
关注
专栏目录
关于在安装caffe2环境中遇到的坑整理（欢迎入坑讨论）
网易搬砖选手
09-27 4488
1.ImportError: cannot import name caffe2_pb2 测试caffe2的pytorch环境是否正常的时候使用 root@lxsj-ThinkStation:~/pytorch# python Python 2.7.12 (default, Dec 4 2017, 14:50:18) [GCC 5.4.0 20160609] on linux2 Type...
【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection
梁瑛平的博客
07-04 2201
本文提出了一种用于无锚框SSOD的半监督学习算法。具体来说，为了对密集学习进行仔细的标签指导，本文首先提出了一种自适应过滤（AF）策略，从而将伪标签划分为三个细粒度的部分，包括背景、前景和可忽略区域。然后使用 MetaNet 对这些伪标签进行细化，以消除分类伪正样本...
STMetaNet：基于深度元学习的时空数据城市交通预测
myblog
11-29 2591
**标题：**Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning 简介：KDD 2019的论文，考虑了节点和边的元信息来做预测 **解决的问题：**已有的ST模型大体包括特征提取模块、预测模块，对于预测模块关注的少，文章认为，不同的区域，如办公区，住宅区在早晚高峰会有不同的流量模式(居民区在早高峰outflow多，办公区在早高峰inflow较高，而晚高峰则相反)。文章想区对不同功能的区域定制一个预测模型。 其
安装cuda版本的dgl库
weixin_44293949的博客
02-17 9034
选择离线安装吧，更快更安全 进入https://pypi.tuna.tsinghua.edu.cn/simple/dgl-cu102/ 。 最好下载高版本的，我之前下的0.4版本的，dgl没有load_graph()模块，GATConv()网络中也没有allow_zero_in_degree这个参数。 。 所以重新下载0.6版本的dgl，完美解决这些问题。 。 注意和自己的cuda版本对应上，cu101表示cuda版本是10.1的，cp36表示python36，win表示windows系统 下载好了whl
Python库 | dgl_cu110-0.6.0-cp38-cp38-manylinux1_x86_64.whl
03-29
资源分类：Python库 所属语言：Python 资源全名：dgl_cu110-0.6.0-cp38-cp38-manylinux1_x86_64.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
时空数据挖掘一（城市计算）
小蚂蚁与大象
09-08 4991
直观地说，一条边的特征依赖于它的属性，如道路的连通性和节点之间的距离。为了对全市交通进行建模，受对交通缺失模式和先验知识的观察启发，提出了一种神经记忆和泛化方法来推断缺失的速度和流量，主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验，以说明ST-MetaNetþ超越几种最先进的方法的有效性。城市交通预测对智能交通系统和公共安全具有重要意义，但具有3个方面的挑战:1)城市交通复杂的时空相关性，包括位置之间的空间相关性和时间戳之间的时间相关性;
MetaNet:用于元神经网络研究的免费便携式库-开源
04-29
MetaNet为元神经网络研究提供免费的库。 MetaNet库包含前馈神经网络实现和几个集成的数据集（MNIST）。
bsvpush:将文件推送到metanet
03-15
将文件推送到metanet Bsvpush将使用元网络节点将文件的目录树上载到BSV区块链。 Bsvpush还可以用于从区块链克隆存储库。 使用bsvpush时要小心，因为一旦文件在区块链上就无法删除！ 安装 npm install -g bsvpush ...
机房腐败的梦：黑人跳悬崖（又名METANET N）flash游戏.zip
08-05
![](https://img-blog.csdnimg.cn/502f103eca944f19ba4f62d9f6f66222.PNG?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0pHX0RGXw==,... !... !...70#pic_center)
AI和大数据如何落地智能城市？京东城市这6篇论文必读 | KDD 2019
AI科技大本营
08-06 4946
来源 | 京东城市（ID: icity-jd）作为世界数据挖掘领域的最高级别的学术会议，ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）将于 2019 年...
【文献阅读】ST-GDN——图神经网络预测交通流量（Xiyue Zhang等人，ArXiv，2021）
QQ704630835的博客
10-14 2614
一、背景 文章题目：《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》 文献下载地址：2110.04038.pdf (arxiv.org)https://arxiv.org/pdf/2110.04038.pdf 文献引用格式：Xiyue Zhang, Chao Huang, Yong Xu, Lianghao Xia, Peng Dai,Liefeng Bo,...
MXnet框架下使用dgl库，报Process finished with exit code 134
pig_ping的博客
03-22 176
Process finished with exit code 134
dgl库的后端设置
qq_46305545的博客
10-17 3302
dgl库当中后端设置方法关于dgl大致介绍关于后端 关于dgl大致介绍 目前最为火爆的深度学习应该就是关于图神经网络相关的研究了，传统的机器学习算法已经非常成熟，但是解决的问题对象是有限的，容易受到数据的结构等影响，比如非结构化的数据就难以处理，这个时候就需要更为高级的图神经网络来解决，更多关于dgl的介绍推荐阅读官方文档，非常全面。 关于后端 dgl是基于多种深度学习框架搭建起来的，所以dgl库的运行需要基于这些深度学习的框架。原文给了一些介绍。 我在设置的时候主要是使用pytorch，这样就不必要再去安
【图神经网络DGL】数据封装和栗子
发现问题，并解决问题，批判性思维
12-13 1653
学习总结：DGL中数据的封装和基于Message Passing机制实现图神经网络。
使用DGL环境报错：Setting the default backend to “pytorch“,BACKEND can be chosen from mxnet, pytorch, tensor
m0_37754282的博客
11-01 7520
在用python处理图神经网络的时候，常用到DGL，由于改之前忘记截图保存整个错误描述，只记得标题的关键词大意：要将一个dgl文件夹下的json文件的backend默认值设置成pytorch，打开看了之后它默认值就是pytorch很疑惑。 随便试了一下环境配置文件中最后加了一行 export GLBACKEND="pytorch" 保存即可成功。 另外附一下mac系统改环境变量的方法： 在终端输入 记得后缀选择.bash_profile ...
mxnet以及dgl的配套安装（linux服务器、GPU版）
weixin_44232639的博客
03-07 2419
mxnet以及dgl的配套安装（linux服务器、GPU版） 1、在确定CUDA正常能够使用的情况下，先查看CUDA的版本，linux服务器上使用 nvcc --version 命令查看，我的是10.1版本的。 2、进入mxnet官网： https://mxnet.apache.org/versions/1.9.0/get_started?platform=linux&language=python&processor=gpu&environ=pip& 根据自身版本的CUD
使用DGL完成节点分类任务
test
05-05 2926
节点分类任务概述 节点分类(node classification)任务是在图数据处理中最流行任务之一，一个模型需要预测每个节点属于哪个类别。 在图神经网络出现之前，用于结点分类任务的方法可归为两大类： 仅使用连通性（如DeepWalk或node2vec） 简单地结合连通性和节点自身的特征 相比之下，GNNs是一个通过结合局部邻域（广义上的邻居，包含结点自身）的连通性及其特征来获得节点表征的方法。 Kipf等人将节点分类问题描述为一个半监督的节点分类任务。图神经网络只需要一小部分已标记的节点，即可准确地
METANET 模型和大模型
最新发布
06-21
Metanet是一种概念模型，用于描述和理解复杂系统中的网络结构。它将网络视为由节点（代表系统中的实体或对象）和边（表示它们之间的关系或相互作用）组成的动态系统。Metanets强调的是网络的动态性和适应性，常被应用于社会科学、信息技术、生物系统等多个领域，用于研究系统的演化和响应。 大模型通常指的是规模宏大、参数众多的机器学习模型，特别是深度学习模型。这些模型具有极高的容量，能够处理大量数据并学习到复杂的模式。例如，Transformer架构的大模型（如GPT系列、BERT等）在自然语言处理任务中表现出色，而大型预训练模型如M6、PaLM和通义千问这样的模型，其参数量达到了数万亿级别，能够在各种场景下产生高质量的文本输出。
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