当前位置：首页 > news >正文

【菜狗的记录】模糊聚类最大树、图神经网络、大模型量化——20250627

news 来源：原创 2025/7/2 7:01:08

每日学习过程中记录的笔记，从各个网站整理下来，用于当日复盘。

如果其中的知识点能帮到你，也很荣幸呀。

-------------------------------------------------------20250622-------------------------------------------------------------

🐱1、模糊聚类最大树算法

【机器学习笔记37】模糊聚类分析（基于最大生成树）-CSDN博客

🐕模糊关系：假设论域UV（论域指的事件中所有感兴趣的研究对象的非空集合），设U×V的一个模糊子集R是U到V的模糊关系，其隶属函数映射为UR:U×V→[0,1]，隶属度R(x,y)称为(x,y)关于模糊关系R的相关程度。例如身高和体重就是模糊关系。

🐕在模糊集合论中，元素的隶属关系不再是简单的“是”或“否”，而是用一个介于0和1之间的实数来表示，称为隶属度。模糊子集可以进行交并补运算。

🐕将模糊关系用模糊矩阵表述，类似马尔可夫随机过程的转移概率。

模糊矩阵的合成运算和矩阵乘法类似，只是在具体的运算中原先的元素乘元素编程取最小值，原先的乘积相加变为求最大值。

🐕模糊矩阵的λ截距矩阵，这个定义比较简单，矩阵中的每个元素大于λ则为1，否则为0。举例如下:

模糊关系的聚类分析

🐕基于模糊矩阵的等价关系

则R是模糊等价矩阵。

🐕模糊矩阵的分类

由于等价关系代表着集合上的一个分类，因此在模糊聚类中，我们对模糊矩阵取不同的λ截距，就可以取不同的分类。

🐕模糊聚类算法步骤

🐕最大树：想象一群人（元素），两两之间的“关系强度”用0~1的数值表示（如友情深浅）。

目标：用尽可能少的“强关系”连接所有人，形成一棵树。

方法：
1. 按关系强度从高到低排序所有可能的连接。
2. 依次选择边，如果连接后不会形成环，就保留。
3. 直到所有人连通为止。

以上进行聚类操作，进而得到模糊集的聚类。

-------------------------------------------------------20250623-------------------------------------------------------------

🐱2、图神经网络

图神经网络GNN综述汇报（先浅浅入个门）_哔哩哔哩_bilibili

基础概念

🐕图神经网络是指使用神经网络学习图结构数据，提取挖掘图结构数据的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总和。

🐕图数学定义：节点、边、关联网络

🐕图数据特点：节点之间距离无法欧氏距离测量。

🐕图任务分类

🐕图数据存储

🐕图属性更新

🐕图池化信息

🐕基本GNN模型

🐕GNN模型分类

🐕GCN图卷积神经网络

GNN与网络嵌入

🐕GNN的研究与图嵌入或网络嵌入（network embedding）密切相关。网络编码旨在将网络节点表示为低维向量表示，以维护网络拓扑结构和节点内容信息，并且便与后续图像和数据分析任务，如分类、聚类等。

与此同时，GNN是一种深度学习模型，旨在以端到端方式解决与图结构相关的任务。

🐕GNN与网络嵌入的主要区别在于，GNN是针对各种任务而设计的一组神经网络模型，而网络嵌入涵盖了针对同一任务的各种方法。因此，GNNs可以通过一个图形自动编码器框架来解决网络嵌入问题。另一方面，网络嵌入还包含其他非深度学习方法，如矩阵分解、随机游走等。

GNN与Graph Kernel

🐕Graph Kernel历来是解决图分类问题的主要技术。这些方法使用一个核函数来度量图对之间的相似性，那么这样基于核的算法（如支持向量机）就可以用于图的监督学习。与GNN类似，Graph Kernel可以通过映射函数将图或节点嵌入到向量空间中。不同的是，这个映射函数是确定性的，而不是可学习的。由于Graph Kernel方法采用两两相似度计算，因此存在较大的计算瓶颈。一方面，GNN直接根据所提取的图表示进行图分类，因此比Graph Kernel方法效率高得多。

为什么推荐系统不用GNN？

为什么最近几年，没人在推荐系统里去玩 GNN 模型，GNN 是凉透了吗？ - 知乎

🐕推荐系统的优化要明确优化是怎么得到效果的，收益来源于样本、特征、模型三者中一个或者多个。如下图两个方面的提升。

🐕GNN能够提供——信息利用能力的增强。例如从中心节点扩展到周围节点，学习了二跳、三跳关联关系的学习能力。利用知识图谱点之间的拓扑结构，把拓扑结构蕴含的关系信息编码到embedding，进而提供收益。

①对用户行为信息丰富的推荐系统，例如抖音、小红书，用户之间具有协同关系，能够充分表征内容相似性，不需要知识和属性的连接补充相似性。不需要GNN的信息增量。

②对于纯知识型的推荐系统，例如豆瓣、IMDB、知网。网站中知识的链接是非常重要的，知识间二度、三度的关联也是有价值的。而且它缺乏足够多的用户互动信息来覆盖表达物品之间的相似性，那么GNN就是有价值的。

-------------------------------------------------------20250625-------------------------------------------------------------

🐱3、深度互学技术

模型蒸馏算法

🐕模型越来越大，参数很多，涉及更高效的模型能够解决。

🐕设计预训练的大网络是老师，向小网络传递知识（平滑后的概率估计），提高小网络性能。单向知识传递。小网络模仿大网络类别概率，表现比大网络更好的性能。但是小网络的反馈不能优化。

🐕本质原因：不需要一个大专家学习所有东西，而是学生学习+从老师那里学到一些东西，能够降低参数量，增强泛化能力，能够适应新的数据。

深度互学习

🐕小网络之间相互学习，三人行必有我师。

互学习算法也很容易扩展到多网络学习和半监督学习场景中。当有K个网络时，深度互学习学习每个网络时将其余K-1个网络分别作为教师来提供学习经验。另外一种策略是将其余K-1个网络融合后得到一个教师来提供学习经验。

其中，多网络互学习中多个独立教师（DML）的性能会优于融合教师（DML_e），就像多个老师教要比一个会的多的老师教更好。

-------------------------------------------------------20250626-------------------------------------------------------------

大模型量化技术

由于RTX 3090显卡的显存为24GB，而Qwen3-30B-A3B模型非常大，直接运行可能会遇到显存不足的问题。因此，需要采用一些优化和量化技术来减少显存占用。

安装必要的库：

pip install torch transformers

量化技术可以显著减少模型的显存占用。常见的量化方法包括INT8量化和混合精度量化（FP16/FP32）。

INT8量化

INT8量化是将32位浮点数（FP32）模型的参数和激活值转换为8位整数（INT8）的过程，旨在减少模型的计算复杂度和内存占用，从而提升推理速度。

使用bitsandbytes进行INT8量化。bitsandbytes是一个流行的库，用于对模型进行INT8量化。

from transformers import AutoModelForCausalLM, AutoTokenizer
import torchmodel_name = "Qwen/Qwen3-30B-A3B"# Load the model and tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name,torch_dtype=torch.float16,  # Use float16 for mixed precisiondevice_map="auto",  # Automatically map the model to available devicesload_in_8bit=True,  # Load the model in 8-bit precision
)# Prepare the input
prompt = "Give me a short introduction to large language model."
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")# Generate text
with torch.no_grad():generated_ids = model.generate(**inputs, max_new_tokens=512)
output_text = tokenizer.decode(generated_ids[0], skip_special_tokens=True)print(output_text)

混合精度训练

混合精度训练（Mixed Precision Training）可以减少显存占用，同时保持模型的性能。可以通过torch.cuda.amp自动混合精度工具来实现：

from torch.cuda.amp import autocastwith autocast():generated_ids = model.generate(**inputs, max_new_tokens=512)
output_text = tokenizer.decode(generated_ids[0], skip_special_tokens=True)print(output_text)

优化输入和生成参数

减少输入序列长度和生成的新标记数量可以显著减少显存占用。例如，将max_new_tokens设置为一个较小的值，如512或1024

generated_ids = model.generate(**inputs, max_new_tokens=512)

使用多GPU并行

使用多GPU并行来分摊显存压力。可以通过torch.nn.DataParallel；torch.nn.parallel.DistributedDataParallel来实现：

import torch
from torch.nn.parallel import DistributedDataParallel as DDP# Assume you have multiple GPUs
model = model.to("cuda")
model = DDP(model, device_ids=[0, 1, 2, 3])  # Example for 4 GPUs# Generate text
generated_ids = model.generate(**inputs, max_new_tokens=512)
output_text = tokenizer.decode(generated_ids[0], skip_special_tokens=True)print(output_text)

——小狗照亮每一天

20250627