- 博客(156)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 论文研读：Label Contrastive Coding based Graph NeuralNetwork for Graph Classification
图对比学习
2022-07-06 15:40:37
663
原创 GCC: Graph Contrastive Coding for Graph Neural NetworkPre-Training
图表示学习已经成为解决现实问题的强大技术。各种下游图学习任务受益于其最近的发展，如节点分类、相似度搜索和图分类。然而，现有的图表示学习技术专注于领域特定的问题，并为每个图数据集训练一个专用模型，这通常不可转移到域外数据。受自然语言处理和计算机视觉在预训练方面的最新进展的启发，我们设计了图对比编码(GCC)1 -一个自我监督的图神经网络预训练框架，以捕获跨多个网络的通用网络拓扑属性。我们将GCC的预训练任务设计为网络中的子图实例判别，并利用对比学习使图神经网络能够学习内在的和可转移的结构表征。我们在三个图学习
2022-06-29 19:24:14
1403
原创 论文阅读：Graph Contrastive Learning with Augmentations
图结构数据上的广义、可转移和鲁棒表示学习仍然是当前图神经网络(GNNs)面临的一个挑战。与用于图像数据的卷积神经网络(CNNs)不同，对gnn的自我监督学习和预训练的探索较少。在本文中，我们提出了一个图对比学习(GraphCL)框架来学习图数据的无监督表示。首先，我们设计了四种图增广来包含各种先验。然后，我们在四种不同的设置中系统地研究了图增强的各种组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。结果表明，即使不调优扩展范围，也不使用复杂的GNN架构，我们的GraphCL框架可以产生与最先进
2022-06-17 23:00:19
953
原创 论文：Towards Unsupervised Deep Graph Structure Learning
当原始图结构中存在噪声连接时，gnn的性能会下降;此外，gnn对显式结构的依赖使其无法应用于一般的非结构化场景。为了解决这些问题，最近出现的深度图结构学习(GSL)方法提出在节点分类任务的监督下，与GNN共同优化图结构。这些方法集中在监督学习场景，这导致了几个问题，即：依赖标签，边缘分布的偏差，以及应用任务的限制。本文提出了一个更实用的GSL范式——无监督图结构学习，学习到的图拓扑是由数据本身优化的，没有任何外部指导(标签)。为了解决无监督GSL问题，我们提出了一种新的基于自监督对比学习的StrUcture
2022-06-10 18:55:56
628
原创 矩阵运算和PyTorch.nn.Conv2d实现二位卷积代码
import torchimport torch.nn as nnimport torch.nn.functional as Fin_channels=1out_channels=1kernel_size=3bias=Falsebatch_size=1input_size=[batch_size,in_channels,4,4]conv_layer=torch.nn.Conv2d(in_channels,out_channels,kernel_size,bias=bias)input.
2022-03-18 22:38:21
615
原创 实现二维卷积层
import torchfrom torch import nndef corr2d(X,K): h,w=K.shape Y=torch.zeros((X.shape[0]-h+1,X.shape[1]-w+1)) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i,j]=(X[i:i+h,j:j+w]*K).sum() return Y# X=torch.t.
2022-03-16 17:08:03
156
原创 论文阅读：NEURAL MACHINE TRANSLATIONBY JOINTLY LEARNING TO ALIGN AND TRANSLATE
abstract神经网络机器翻译是最近提出的一种机器翻译方法。与传统的统计机器翻译不同，神经网络机器翻译的目的是建立一个单一的神经网络，通过联合调节使翻译性能最大化。最近提出的神经机器翻译模型通常属于编码器-解码器系列，它们将源语句编码成一个固定长度的向量，解码器从中生成翻译。在本文中,我们推测,使用一个固定长度的向量是改善这个基本的性能瓶颈encoder-decoder架构,并提出自动扩展这个通过允许一个模型(软)搜索部分源相关的句子预测目标词,不需要将这些部分明确地构成硬段。通过这种新方法，我们在英
2022-03-02 21:16:25
756
原创 论文阅读：GMAN: A Graph Multi-Attention Network for Traffic Prediction
摘要：在本文中，我们主要聚焦于时空因素，提出了一种图多重注意力网络(GMAN)去预测交通信息。GMAN采用了一种编码器解码器结构，同时编码器和解码器均由多个时空注意块组成，以模拟时空因素对交通状况的影响。编码器编码输入的交通特征，解码器预测输出序列。在编码器和解码器之间，应用转换注意层对编码后的交通特征进行转换，以生成作为解码器输入的未来时间步长的序列表示。转换注意机制模拟了历史时间步长和未来时间步长之间的直接关系，有助于缓解预测时间步长之间的误差传播问题。在两个实际交通预测任务(交通量预测和交通速
2022-03-01 10:36:18
3560
原创 Pytorch中Conv2d的使用
接口定义：class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)参数解释：stride：步长 zero-padding:图像四周填0 dilation:控制 kernel 点之间的空间距离,这个看着定义有点抽象，看下面的图就理解了 groups:分组卷积Convolution 层的参数中有一个grou
2022-02-23 21:27:02
5112
原创 operator.itemgetter()和sorted方法
1. operator.itemgetter(num)函数 表示对对象的第num维数据进行操作获取。import numpy as npimport operatora = [1, 2, 3]b = operator.itemgetter(1)print(b)## 结果: operator.itemgetter(1)## 也就是说，返回的并不是一个具体的数字，而是一个函数。print(b(a))## 返回22. 在使用sorted()函数进行排序时，...
2021-12-15 21:50:41
265
原创 Python 字典 items()方法
Python字典items()函数作用：以列表返回可遍历的(键, 值) 元组数组。items()方法语法：dict.items()操作方法:dict = {'老大':'15岁', '老二':'14岁', '老三':'2岁', }print(dict.items())for key,values in dict.items(): print(key + '已经' + values + '了')输出结果为：dict...
2021-12-15 21:34:10
26368
1
原创 Python字典.get()函数
以字典dict = {‘age’:25,‘sex’:‘male’}为例：dict[‘age’]和dict.get(‘age’)得到的想过是相同的，如下：dict = {'age':25,'sex':'male'}print(dict.get('age'))但是当dict的参数有两个时，如dict.get('age',0):当能查询到相匹配的字典时，就会显示相应key对应的value，如果不能的话，就会显示后面的这个参数。dict = {'age':25,'sex':'male
2021-12-15 21:26:36
3130
原创 numpy().argsort()函数
sargsort函数返回的是数组值从小到大的索引值1.对于一维数组 import numpy as npa=np.array([5,1,3])b=np.argsort(a)print(b)输出结果：[1 2 0]2.对于二维数组[a]argsort(a,axis=0):按列排序argsort(a,axis=1):按行排序import numpy as npa=np.array([[5,3],[2,1]])b=np.argsort(a,ax..
2021-12-15 20:49:02
1287
原创 Numpy.sum() 求和
sum():所有的数求和sum(axis=0):列相加sum(axis=1):行相加import numpy as npa=np.array([[1,1,2],[2,2,3],[4,4,3]])print(a.sum())print(a.sum(0))print(a.sum(1))运行结果:22[7 7 8][ 4 7 11]
2021-12-15 20:31:49
2235
原创 numpy().tile()函数
1.沿着X轴，Y轴，(X,Y）平铺import numpy as npa=np.array([1.0,1.0])b=np.tile(a,2)print(b)c=np.tile(a,(1,5))print(c)d=np.tile(a,(3,3))print(d)输出结果[1. 1. 1. 1.][[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]][[1. 1. 1. 1. 1. 1.] [1. 1. 1. 1. 1. 1.] [1. 1. 1.
2021-12-15 20:14:56
877
原创 决策树回归器
决策树回归器模型API:import sklearn.tree as st#创建决策树回归模型， 决策树最大深度为4model=st.DecisionTreeClassifier(max_depth=4)#训练模型# train_x:二维数组样本数据# train_y:训练集中对应每行样本的结果model.fit(train_x,train_y)#预测模型pred_test_y=model.predict(test_x)预测房价：import sklearn.da
2021-12-09 21:07:45
282
原创 Python Numpy random.normal() 正态(高斯)分布
1、正态(高斯)分布正态分布是最重要的分布之一。在德国数学家卡尔·弗里德里希·高斯之后，它也被称为高斯分布。它适合许多事件的概率分布，例如。 智商得分，心跳等使用random.normal()方法获取正态数据分布。它具有三个参数：loc-（平均）钟声峰值所在的位置。scale-（标准偏差）图形分布的平坦程度。size-返回数组的形状。例如：生成大小为2x3的随机正态分布:from numpy import randomx = random.normal(si
2021-12-09 16:21:55
17633
1
原创 Python Numpy random.shuffle() 随机排列
1、元素的随机排列排列是指元素的排列。 例如 [3，2，1]是[1,2,3]的排列，反之亦然。NumPy Random模块为此提供了两种方法：shuffle()和permutation()。2、乱序排列随机打乱意味着就地更改元素的排列。 即在数组本身中。例如：随机打乱下列数组的元素:from numpy import randomimport numpy as nparr = np.array([1, 2, 3, 4, 5])random.shuffle(arr)
2021-12-09 16:15:30
5315
原创 Python Numpy random 生成随机数
生成随机数 ,NumPy提供了random模块来处理随机数。1.生成一个从0到100的随机整数：from numpy import randomx = random.randint(100)print(x)2.生成随机浮点数(float)随机模块的rand()方法返回0到1之间的随机浮点数。例如：生成从0到1的随机浮点数：from numpy import randomx = random.rand()print(x)3、生成随机数组在NumPy中，使
2021-12-09 16:06:52
12029
原创 线性回归之保存与加载
模型训练是一个耗时的过程，一个优秀的机器学习是非常宝贵的。可以模型保存到磁盘中，也可以在需要使用的时候从磁盘中重新加载模型即可。不需要重新训练。模型保存和加载相关API:import picklepickle.dump(内存对象，磁盘文件)#保存模型model=pickle.load(磁盘文件) #加载模型案例：把训练好的模型保存到磁盘中#将训练好的模型对象保存到磁盘文件中with open('../../data/link.pkl','wb') as f: pic
2021-12-08 21:53:29
491
原创 线性模型之Linear Regression
1.sklearn对广义线性模型（Generalized Linear Models）的定义如下： 拟合一条直线使得损失最小，损失可以有很多种，比如平方和最小等等； 【注】y是输出，x是输入，输出是输入的一个线性组合。 【注】系数矩阵就是coef_，截距就是intercept_2.sklearn对广义线性模型中的线性回归算法（Linear Regression）的定义如下：3.线性回归基本图形4.sklear中Lin...
2021-12-08 21:05:49
466
原创 sklearn.datasets使用方法(最详细)
load_<dataset_name> 本地加载数据，保存在了本地磁盘上，本地加载数据，保存在..datasets\\data目录下的 datasets.load_boston #波士顿房价数据集 datasets.load_breast_cancer #乳腺癌数据集 datasets.load_diabetes #糖尿病数据集 datasets.load_digits #手写体数字数据集 datasets.load_files datasets.load_iris #鸢
2021-12-08 18:33:44
9221
2
原创 Pytorch基本语法
包torch包含了多维张量的数据结构以及基于其上的多种数学操作。另外，它也提供了多种工具，其中一些可以更有效地对张量和任意类型进行序列化。张量 Tensorstorch.is_tensor obj=torch.full((2,3),6)print(obj)print(torch.is_tensor(obj)) 如果obj是一个pytorch张量，则返回True torch.is_storage obj=torch.full((2,3),6)print(obj...
2021-12-02 23:49:09
1398
原创 tensorflow2.0 tf.placeholder报错
若报错可以使用import tensorflow as tftf.compat.v1.disable_eager_execution()来代替import tensorflow as tf并且后面的Placehoder函数用下面的tf来代替X = tf.compat.v1.placeholder(tf.float32)Y = tf.compat.v1.placeholder(tf.float32)...
2021-12-01 19:32:28
2760
原创 springmvc_day03
SpringMVC的文件上传1-SpringMVC的请求-文件上传-客户端表单实现(应用)文件上传客户端表单需要满足：表单项type=“file”表单的提交方式是post表单的enctype属性是多部分表单形式，及enctype=“multipart/form-data”<form action="${pageContext.request.contextPath}/user/quick22" method="post" enctype="multipart/form-data">
2020-07-12 17:17:56
108
原创 springmvc_day02
SpringMVC的请求和响应SpringMVC的数据响应01-SpringMVC的数据响应-数据响应方式(理解)页面跳转直接返回字符串通过ModelAndView对象返回2） 回写数据直接返回字符串返回对象或集合02-SpringMVC的数据响应-页面跳转-返回字符串形式（应用）[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-K5wQZVdm-1594545432654)(./img/1.jpg)]03-SpringMVC的数据响应-页面跳转-返回M
2020-07-12 17:17:23
72
原创 Spring与Web环境集成
1. Spring与Web环境集成1.1 ApplicationContext应用上下文获取方式应用上下文对象是通过new ClasspathXmlApplicationContext(spring配置文件) 方式获取的，但是每次从容器中获得Bean时都要编写new ClasspathXmlApplicationContext(spring配置文件) ，这样的弊端是配置文件加载多次，应用上下文对象创建多次。在Web项目中，可以使用ServletContextListener监听Web应用的启动，我们可
2020-07-12 17:16:47
143
原创 SpringIoC和DI注解开发
1.Spring配置数据源1.1 数据源（连接池）的作用数据源(连接池)是提高程序性能如出现的事先实例化数据源，初始化部分连接资源使用连接资源时从数据源中获取使用完毕后将连接资源归还给数据源常见的数据源(连接池)：DBCP、C3P0、BoneCP、Druid等开发步骤①导入数据源的坐标和数据库驱动坐标②创建数据源对象③设置数据源的基本连接数据④使用数据源获取连接资源和归还连接资源1.2 数据源的手动创建①导入c3p0和druid的坐标<!-- C3P0连接池 -->
2020-07-06 09:10:22
93
原创 01-SpringIoC&DI
1. spring概述1.1 Spring是什么（理解）Spring是分层的 Java SE/EE应用 full-stack 轻量级开源框架，以 IoC（Inverse Of Control：反转控制）和 AOP（Aspect Oriented Programming：面向切面编程）为内核。提供了展现层 SpringMVC和持久层 Spring JDBCTemplate以及业务层事务管理等众多的企业级应用技术，还能整合开源世界众多著名的第三方框架和类库，逐渐成为使用最多的Java EE 企业应用开源框
2020-07-06 08:32:02
78
原创 mybatis-day02笔记
1.Mybatis的Dao层实现1.1 传统开发方式1.1.1编写UserDao接口public interface UserDao { List<User> findAll() throws IOException;}1.1.2.编写UserDaoImpl实现public class UserDaoImpl implements UserDao { public List<User> findAll() throws IOException {
2020-06-22 09:24:52
91
原创 Spring3
Spring-039、AOP切面编程9.1、什么是AOPAOP是面向切面编程。全称：Aspect Oriented Programming面向切面编程指的是：程序是运行期间，动态地将某段代码插入到原来方法代码的某些位置中。这就叫面向切面编程。9.2、一个简单计算数功能加日记准备计算器相关类计算接口public interface Calculate {public int add(int num1, int num2);public int mul(int num1, int num2
2020-06-09 13:23:33
324
原创 Spring2
Spring-024.22、IOC之组件创建顺序实验20：bean之间的依赖 depends-on 属性bean对象public class A {public A() {System.out.println(“A 被创建了”);}}public class B {public B() {System.out.println(“B 被创建了”);}}public class C {public C() {System.out.println(“C 被创建了”);}}a
2020-05-28 18:10:29
200
原创 Spring1
Spring-011、Spring概述①Spring是一个开源框架②Spring为简化企业级开发而生，使用Spring开发可以将Bean对象，Dao组件对象，Service组件对象等交给Spring容器来管理，这样使得很多复杂的代码在Spring中开发却变得非常的优雅和简洁，有效的降低代码的耦合度，极大的方便项目的后期维护、升级和扩展。③Spring是一个IOC(DI)和AOP容器框架。④Spring的优良特性[1]非侵入式：基于Spring开发的应用中的对象可以不依赖于Spring的API[
2020-05-28 13:59:31
174
原创 mybatis框架--第一天
mybatis框架共四天第一天：mybatis入门 mybatis的概述 mybatis的环境搭建 mybatis入门案例 自定义mybatis框架（主要的目的是为了让大家了解mybatis中执行细节）第二天：mybatis基本使用 mybatis的单表crud操作 mybatis的参数和返回值 mybatis的dao编写 mybatis配置的细节 几个标签的使用第三天：mybatis的深入和多表 mybatis...
2020-05-12 01:03:12
117
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人