Javy Wang-CSDN博客

原创 PyTorch图神经网络实践（七）社区检测

文章目录前言组合优化社区检测端到端的学习与优化作者介绍核心思想技术手段方法创新代码复现前言最近一直在研究组合优化问题，上周看到2019年NeurIPS会议上有篇文章提出了一种端到端的学习和优化框架，并且开源了代码，于是复现了一下，发现在社区检测任务上的效果真的不错。NeurIPS 2019：图上端到端的学习和优化End to end learning and optimization on graphsGitHub源码组合优化图中的很多问题都是组合优化问题，比如最大独立集、最小覆盖集、

2020-12-16 00:54:44 7071 32

原创 PyTorch图神经网络实践（五）链路预测

链路预测是网络科学里面的一个经典任务，其目的是利用当前已获取的网络数据（包含结构信息和属性信息）来预测网络中会出现哪些新的连边。本文计划利用networkx包中的网络来进行链路预测，因为目前PyTorch Geometric包中封装的网络还不够多，而很多网络方便用networkx包生成或者处理。环境配置首先，安装一个工具包，DeepSNAP。这个包提供了networkx到PyTorch Geometric的接口，可以方便地将networkx中的网络转换成PyTorch Geometric所要求的数据格

2020-11-02 22:40:44 20334 37

原创从信息传播角度来看链路预测

利用动态网络中的信息扩散过程评估链路预测【核心思想】链路预测最主要是预测网络中会出现哪些新的连边，最适合用于评估链路预测算法效果的就是真实的动态网络，通过比较算法预测出的新边和真实网络中出现了哪些新边...

2020-07-10 14:33:32 2011

原创复杂网络链路预测

抽空整理了一下链路预测的相关研究，在网络科学中这个问题已经被研究了10年以上了，已有非常多的研究工作。吕琳媛和周涛曾在2013年专门出版过一本专著《链路预测》来介绍这个研究方向。此书也是本文的主要参考对象。还是以我最喜欢的图谱的方式将其呈现出来，涉及内容太多不能详尽，希望大家批评指正。...

2018-12-18 19:29:43 11845 7

原创关于钱学森定义复杂网络一事的探究

由于本人从事与复杂网络有关的研究，多次在网上看到有关“钱学森给出复杂网络的定义”这样内容的文章，甚至百度百科也是这么介绍的。百度百科-复杂网络钱学森给出了复杂网络的一个较严格的定义：具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称为复杂网络。对于钱老给出复杂网络定义一事，之前也曾颇为好奇，但都没有当回事。最近，又在两处看到这样的信息，觉得有必要探究一下，看看是否真有此事...

2018-11-11 21:27:41 7388 7

翻译图卷积网络详细介绍（一）

在图上进行机器学习是一项困难的任务，因为它的复杂性很高，同时也是由于信息丰富的图结构。这篇文章是关于如何用图卷积网络(GCNs)对图进行深度学习的系列文章中的第一篇。本文翻译自Tobias Skovgaard Jepsen写在Medium上的介绍文章，已经获得其本人的许可。

2018-11-09 19:17:24 17907 25

原创 Pandas Dataframe用法大全

最近python处理数据用dataframe用的比较多，经常遇到一些操作需要上网查询，看看用什么方法比较快捷，故在此将一些常用的操作做成一个图谱，并简单介绍了一些方法的使用，最开始是想方便自己，贴在这里也希望有助于大家。...

2018-11-03 16:54:28 1366

原创 Karateclub包介绍及节点嵌入实现

karateclub包中的节点嵌入算法都对图的连通性有要求，必须是连通图才能进行节点嵌入，否则会报错。karateclub包中的节点嵌入算法有以下这些：# 基于邻域的节点嵌入方法DeepWalk, Node2Vec, Walklets, BoostNE, NodeSketch, Diff2Vec, GEMSEC, NetMF, GraRep, NMFADMM, LaplacianEigenmaps# 基于结构的节点嵌入方法GraphWave, Role2Vec# 基于属性的节点嵌入方法Feat

2020-12-31 16:56:42 4914 4

原创类尺寸有约束的聚类

相关资源size-constrained-clustering这是一个带尺寸约束的聚类包，实现了很多算法，并给出了很多参考文献（但是安装过程出了bug）。k-means-constrained这个包实现了带尺寸约束的K-means聚类算法，亲测安装可用，速度与原始K-means聚类算法相差不大。...

2020-11-09 13:53:42 2408 1

原创 PyTorch图神经网络实践（四）Node2Vec节点分类及其可视化

关于Node2Vec的介绍有很多了，这里就不细述。本文主要是介绍如何用PyTorch Geometric快速实现Node2Vec节点分类，并对其结果进行可视化。整个过程包含四个步骤：导入图数据（这里以Cora为例）创建Node2Vec模型训练和测试数据TSNE降维后可视化完整代码如下：import torchimport matplotlib.pyplot as pltfrom sklearn.manifold import TSNEfrom torch_geometric.data

2020-11-02 17:30:48 6522 9

原创 PyTorch中的设备类型问题 device type cuda

用pytorch包搭建神经网络时，经常遇到GPU和CPU的指定问题，有时候明明指定了GPU（cuda）却依然会报错，下面将这些常见的错误整理出来。问题一：目标参数的设备类型本应该是cuda而实际上却是CPURuntimeError: Expected object of device type cuda but got device type cpu for argument #2 ‘target’除了上面博文提到的三种情况以外，还有一种可能是变量的设备指定方式有问题，如下：device = tor

2020-10-29 14:03:33 6693 1

原创 PyTorch图神经网络实践（三）使用基准图数据Cora进行半监督节点分类

通用基准图数据Pythorch Geometric还包含大量常见的基准数据集，例如所有的Planetoid数据集（Cora、Citeseer、Pubmed），所有来自http://graphkernels.cs.tu-dortmund.de和清理后的版本，QM7和QM9数据集，以及一些3D网格/点云数据集，如FAUST、ModelNet10/40和ShapeNet。初始化数据集很简单。数据集的初始化将自动下载其原始文件并将其处理为先前描述的数据格式。例如，要加载酶数据集（由6个类中的600个图形组成），

2020-10-21 22:01:30 5108 13

原创 PyTorch图神经网络实践（二）自定义图数据

文章目录数据类型简单案例创建一个图创建Data示例自带函数添加属性节点分类数据类型PyTorch Geometric定义了自己的数据类型。节点和节点之间的边构成了图。在PyTorch Geometric中，如果要构建图，那么需要两个要素：节点和边。PyTorch Geometric 提供了torch_geometric.data.Data 用于构建图，包括 5 个属性，每一个属性都不是必须的，可以为空。data.x: 用于存储每个节点的特征，形状是[num_nodes, num_node_feat

2020-10-09 00:01:26 15466 6

原创 PyTorch图神经网络实践（一）环境安装

文章目录安装环境创建虚拟环境安装pytorch1.6安装pytorch-geometric简单例子安装环境服务器配置ubuntu18.04anaconda3cuda10.0创建虚拟环境创建名为torch16的虚拟环境，指定python版本为3.6conda create -n torch16 python=3.6激活环境(base) wjw@Super-Server:~/projects$ conda activate torch16(torch16) wjw@Super-Ser

2020-10-01 18:55:16 2239 1

原创 Ubuntu安装TensorFlow 1.15

安装TensorFlow进入虚拟环境，查看python版本安装TensorFlow1.15，使用阿里云，清华镜像总是timeout失败了N遍安装完后检查一下是否能用cuda和gpu都可以用参考文献Ubuntu安装 TensorFlowGPU 1.15

2020-09-27 15:01:29 5570

原创一行代码快速调整dataframe列顺序

很多时候，我们往dataframe添加列数据是依次添加的，也就是默认接在后面，但是我们最后希望有些列能够显示在前面，那么就需要调整dataframe的列顺序，有一种简单的方法可以快速实现这一需求，一行代码就行。df.reindex(columns=column_name) # column_name 设置为期望的排列顺序方法的使用见官方说明。pandas.DataFrame.reindex下面举个小例子。注意，reindex方法不会对原dataframe进行修改，而是返回一个副本，所以要想得

2020-09-17 22:11:15 2646

原创远程访问Ubuntu服务器上的Jupyterlab / Jupyter notebook

文章目录创建配置文件设置Jupyter远程访问密码修改配置文件打开 jupyter lab在前面的文章中，我们已经详细介绍了如何零起步安装Anaconda和Jupyter Lab。下面我们就来看看如何配置能够远程访问Jupyter Lab服务器。创建配置文件连接上远程服务器后，可以查看一下jupyter的配置文件，目录为：如果没有找到这个目录及下面的配置文件，那么就需要在终端运行如下命令：jupyter notebook --generate-config可以看到创建了一个目录和配置文件

2020-09-16 21:39:12 1280

原创用Bokeh开发的精彩应用

Bokeh是一个非常出色的可视化框架，简单易用，上手很快。这篇博文主要是将近期看到的一些用bokeh开发的应用收集起来，供大家参考。实时数据流可视化嵌入Bokeh的Flask应用Dashboard开发

2020-08-18 16:25:20 411

原创 conda create --prefix 命令安装虚拟环境到指定路径报错

安装conda虚拟环境到指定路径时，很多教程介绍如下命令conda create --prefix=/usr/local/py36 python=3.6但是我在两台不同的ubuntu服务器上使用上述命令却出现了不同的结果，一台成功安装，另一台报错。最后试了很多次，发现使用conda create --p命令成功了，如下所示百思不得解就去看了一些官方文档，发现正确的命令是conda create -p，p就表示prefix。也就是说conda create -p和conda create --

2020-07-17 21:50:53 10802 7

原创只用20行python代码爬取必应高质量图片

最近需要一些数据来训练神经网络，发现必应上照片的质量很高，于是写了个脚本来爬取照片。我用的selenium框架，简单实用，代码在最后面，只需要修改三个参数就行。下面简单介绍一下使用步骤。先打开必应网站，在搜索栏里输入自己要爬取图片的关键词（如“企鹅”），再选择图片，如下所示然后点击第一张图片查看原图（否则这一页都是缩略图），进入如下页面然后复制上面的链接，粘贴到代码里面driver.get()中，再设置一下爬取上限和保存路径就可以了。代码如下# -*-.coding: utf-8 -*-

2020-07-16 11:14:22 1143 1

原创 Ubuntu+Anaconda+JupyterLab+Bokeh 远程配置交互式Web可视化开发环境

文章目录0. 环境说明1. 安装配置1.1 Anaconda 安装下载安装配置1.2 JupyterLab 安装创建虚拟环境并安装激活虚拟环境打开JupyterLab1.3 Bokeh 安装2. 启动Web可视化应用2.1 上传文件2.2 启动bokeh服务2.3 安装依赖包2.4 打开Web可视化应用0. 环境说明服务器华为 RH2288 V3硬件配置 Intel® Xeon® CPU E5-2650 v4 @ 2.20GHz 64位操作系统 Ubuntu 18.04.2 LT

2020-07-03 23:38:09 1266 1

原创 Ubuntu用户权限配置教程

将home目录的权限赋给所有用户chmod 777 home指定文件夹的所有者（即用户）chown -R username /home/name加入参数-R，name文件夹以及文件夹里的所有文件和子目录所有权都变为username设置用户权限chmod -R 754 /home/name三个数字的顺序分别代表用户、用户组、其他，三个数字的数值分别代表读（4）、写（2）、执行（1）的权限之和。第一个数字7表示用户的权限是读+写+执行（4+2+1=7），第二个数字5表示用户组的.

2020-06-30 10:53:38 2065

原创 Bokeh绘制复杂网络但Web页面中的图不更新

最近学习用Bokeh库来开发web可视化应用，发现Bokeh真是一个强大的工具，但是在绘制复杂网络时遇到了一个问题，就是在web交互界面调整参数图却没有变化，一直都是最开始的图。以下是一个简单实例，就是绘制一个节点数量可调的BA网络，在Web页面调整节点数量得到不同BA网络，代码如下：import networkx as nxfrom bokeh.io import curdocfrom bokeh.layouts import column, rowfrom bokeh.models impor

2020-06-29 20:39:06 521

字符串和数字编码

立方格上的演化博弈

空空如也