- 博客(12)
- 收藏
- 关注
RSS订阅原创 七夕表白代码，快拿去用
<head><meta http-equiv="Content-Type" content="text/html; charset=utf-8" /><h1 style="position:absolute; left:280px; top:155px; width:auto; height:210px;">你喜欢我吗?</h1><div id="By" style="position:absolute; left:285px; top:235px
2020-08-25 21:58:02
3488
2
原创 pytorch-debug-1
RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation报错信息为一个inpalce操作和梯度冲突了１．什么是inplace操作？inplace操作即用该变量更新该变量自己的值，形如下面的ｘ+=1b=x.exp_()(x.exp_()inplace操作了)2.错误产生的原因如下面代码对结果backward()就会报RuntimeErro
2020-08-03 18:58:52
259
原创 图神经网络-让GCN真正火起来的第三代GCN
Semi-Supervised Classification with Graph Convolutional Networks论文链接先看论文的两层图卷积其中X为节点的特征矩阵，W为网络的可学习参数用于做图卷积的邻接矩阵和度矩阵都是正则化过后的。不难看出，节点的特征矩阵乘以邻接矩阵A，就相当于聚合了其邻居节点的特征，所以该形式定义的图卷积神经网络也被称为一阶ChebNet。和第一代，第二代的GCN对比，该网络依赖于节点的特征矩阵，网络的参数矩阵，正则化后的邻接矩阵和度矩阵。从图卷积的形式上
2020-07-28 20:38:20
664
原创 图卷积神经网络—第二代GCN
Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering论文地址文章的创新点：（1）
2020-07-25 19:30:21
1371
原创 图卷积神经网络-第一代GCN
Spectral Networks and Deep Locally Connected Networks on Graphs论文地址摘要卷积神经网络是图像和音频识别任务中非常有效的结构，因为能够利用在它们领域的局部平移不变性。 在本文中，我们考虑了将CNN泛化到更一般的域上。 特别是，我们提出了两种构造 一个基于域的分层聚类，另一个基于图Laplacian的谱分解。 我们通过实验表明，对于低维图，可学习的卷积层具有与输入大小无关的参数，从而能够生成高效的深层结构。通过拉普拉斯谱扩展卷积直接进入
2020-07-24 18:59:54
611
原创 pytorch学习6-卷积神经网络实现mnist手写数字识别
卷积神经网络实现mnist手写数字识别卷积神经网络的结构为ConvNet((layer1): Sequential((0): Conv2d(1, 16, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))(1): BatchNorm2d(16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(2): ReLU()(3): MaxPool2d(kernel_size=
2020-07-23 20:29:11
270
原创 pytorch学习5-MLP实现mnist手写数字识别
CNN实现mnist手写数字识别1.mnis数据集one-hot编码1.mnis数据集one-hot编码
2020-07-23 20:23:27
3338
原创 pytorch学习4-构建神经网络
构建神经网络1.定义一个包含可训练参数的神经网络2.迭代整个输入3.通过神经网络处理输入4.计算损失(loss)反向传播梯度到神经网络的参数6.更新网络的参数，典型的用一个简单的更新方法：weight = weight - learning_rate *gradient...
2020-07-23 18:52:53
105
原创 pytorch学习3-自动微分
自动微分创建一个张量，设置 requires_grad=True 来跟踪与它相关的计算如果将其属性 .requires_grad 设置为 True，则会开始跟踪针对 tensor 的所有操作。import torch#创建一个张量，设置 requires_grad=True 来跟踪与它相关的计算#如果将其属性 .requires_grad 设置为 True，则会开始跟踪针对 tensor 的所有操作。x = torch.ones(2, 2, requires_grad=True)print(x
2020-07-23 18:47:07
107
原创 pytorch学习2
运算(1)torch.nn.functional.softmax(input, dim)dim:指明维度，dim=0表示按列计算；dim=1表示按行计算。默认dim的方法已经弃用了，最好声明dimimport torchx = torch.randn(3, 4)y=torch.nn.functional.softmax(x, dim=0)print(x)print(y)(2)张量的点乘,即哈达马积，torch.mul()# 张量的点乘,即哈达马积，torch.mul()x=torch.
2020-07-23 18:33:47
65
原创 pytorch学习1
【1】基础导入torchimport torch创建一个shape=[5,3]的tensor# 构造一个空的5*3的矩阵x=torch.empty(5,3)print(x)output:tensor([[8.9082e-39, 5.9694e-39, 8.9082e-39], [1.0194e-38, 9.1837e-39, 4.6837e-39], [9.9184e-39, 9.0000e-39, 1.0561e-38], [1.0653e
2020-07-23 17:54:39
107
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