摘要： 邻居聚合 图采样后，就要进行邻居聚合 1.1 传统聚合 1.2 评估聚合的表达能力 Mean倾向于学习邻居的分布 1.3 基于单射的GIN模型（Graph Isomorphism Net） 图同构网络，常用于图分类（sum+两个部分构成了GIN） 1.4 更多聚合函数 1.5 应用场景 阅读全文

摘要： 一、引入 1.1 为什么要图采样 涉及计算的节点随层数增加呈指数增长 1.2 什么是图采样 子图采样不是随机采样，因为不仅仅需要节点，还需要节点之间的关系。 二、图采样算法 2.1 GraphSAGE 2.2 pinSAGE GraphSAGE只能采样真实的邻居节点，但pinSAGE不一定。 Pin 阅读全文

摘要： 一、相关概念 训练方式是端到端的 规则性数据-->非欧式数据（树、图） 谱分解 二、图卷积网络（GCN） Graph Convolutional Network 2.1 图像卷积-->图结构卷积（度进行邻居的计算） 图像卷积：将一个像素点周围的像素按照不同的权重叠加起来 图结构上的卷积：将一个节点周 阅读全文

摘要： 一、同构图游走类算法 目标：学习出图中节点的一维表示：Node embedding（学习到节点与邻居的关系）-->下游任务 怎么得到Node embedding？ 节点--> 单词 节点序列-->句子 1.1 Word2vec 思想：词的语义由词的上下文来决定。 Skip Gram：根据中心词与预测 阅读全文

摘要： 0.图的相关资料： 参考课程：http://cs224w.stanford.edu 图学习库PGL：https://github.com/PaddlePaddle/PGL https://baijiahao.baidu.com/s?id=1650916524935280985&wfr=spider& 阅读全文

摘要： 如何读一篇paper 可参考：https://www.youtube.com/watch?v=IeaD0ZaUJ3Y 题目+摘要 引言 结论 图表 模型细节 实验细节 阅读全文

摘要： Softmax with cross Entropy 1.softmax应用场景--CNN分类 感官上：把不是0-1的数，转为0-1的概率值 输出层：当抓取到足以用来识别图片的特征后，接下来的就是如何进行分类。输出层主要准备做最后目标结果的输出。 图像目标识别通常使用Softmax输出层，输出各个类 阅读全文

摘要： 一、主成分分析简称 PCA（Principal Component Analysis） 非监督 目的：原来的数据集是d维，转换成k维的数据，k<d，新的k维数据尽可能多的包含原来d维数据的信息 1.1 用处： 1.Clustering 把复杂的多维数据点，简化成少量数据点，易于分簇 2.降维(特征工 阅读全文

摘要： `# -- coding: utf-8 -- """SVM.ipynb Automatically generated by Colaboratory. Original file is located at https://colab.research.google.com/drive/1a993 阅读全文

摘要： git 同生活中的许多伟大事件一样，Git 诞生于一个极富纷争大举创新的年代。Linux 内核开源项目有着为数众广的参与者。绝大多数的 Linux 内核维护工作都花在了提交补丁和保存归档的繁琐事务上（1991－2002年间）。到 2002 年，整个项目组开始启用分布式版本控制系统 BitKeeper 阅读全文