当前位置：首页 > news >正文

【模型学习之路】PyG的使用+基于点的任务

news 来源：原创 2025/7/18 14:56:01

这一篇是关于PyG的基本使用

前言

PyG的数据结构

演示

图的可视化

基于点的任务

任务分析

MLP

GCN

前言

对图结构感兴趣的朋友可以学一下常用的有关图结构的库：networkx详细介绍 `networkx` 库，探讨它的基本功能、如何创建图、操作图以及其常用参数。-CSDN博客

PyG零基础的朋友可以看一下这个视频的11~14集1-PyTorch Geometric工具包安装与配置方法_哔哩哔哩_bilibili

PyG的数据结构

演示

我们用一个简单的数据集作为演示。

import matplotlib.pyplot as plt
from torch_geometric.datasets import KarateClub
dataset = KarateClub()  # 这是一个数据集，里面只有一个图
len(dataset)# output
1

简单介绍一下每个数据的维度信息。

data = dataset[0]
print(data)# output
Data(x=[34, 34], edge_index=[2, 156], y=[34], train_mask=[34])

x: 节点特征 [m, f] （m: 节点数，f: 特征数）。
edge_index: 边的索引 [2, e] （e: 边数）。可以看作是e条边，两两相连，然后转置了。
y: 标签 [m] (m: 节点数)。自然可以做成多输出的，那么维度就会是[m, n_tasks]
mask: [m] 一个相对玄学一点的东西，之后在不同场景中介绍

图的可视化

可以利用networks做可视化

import networkx as nx
from matplotlib import pyplot as plt
from torch_geometric.utils import to_networkx
from visualize import visualize_graphdef visualize_graph(G, color):plt.figure(figsize=(5, 5))plt.xticks([])plt.yticks([])nx.draw_networkx(G, pos=nx.spring_layout(G, seed=42), node_color=color,with_labels=False, node_size=100, cmap='Set2')G = to_networkx(data)
visualize_graph(G, color=data.y)

在PyG中，邻接矩阵edge_index是按照稀疏矩阵的方式存的，我们可以把转化为我们平时之前用的密集矩阵。

# 转化为密集型的邻接矩阵
G_adj = nx.to_numpy_array(G)
print(G_adj)# output
[[0. 1. 1. ... 1. 0. 0.][1. 0. 1. ... 0. 0. 0.][1. 1. 0. ... 0. 1. 0.]...[1. 0. 0. ... 0. 1. 1.][0. 0. 1. ... 1. 0. 1.][0. 0. 0. ... 1. 1. 0.]]

顺便画个热力图

import seaborn as sns
sns.heatmap(G_adj, cmap='Blues')

顺便把邻接矩阵和度矩阵都画一下

import numpy as np
adj = G_adj
d = np.diag(np.sum(adj, axis=1))
adj = adj + np.eye(adj.shape[0])
d = d + np.eye(adj.shape[0])plt.figure(figsize=(10, 4))
plt.subplot(121)
sns.heatmap(adj, cmap='Blues')
plt.subplot(122)
sns.heatmap(d, cmap='Blues')
plt.show()

基于点的任务

任务分析

先像前言中教程一样，先拿到数据集，然后做一些分析。

import torch
from torch_geometric.datasets import Planetoid
from torch_geometric.transforms import NormalizeFeaturesdataset = Planetoid(root='data/Planetoid', name='Cora', transform=NormalizeFeatures())print(f'Number of graphs: {len(dataset)}')
print(f'Number of features: {dataset.num_features}')
print(f'Number of classes: {dataset.num_classes}')#output
Number of graphs: 1
Number of features: 1433
Number of classes: 7# 就一张图，直接取出来便是
data = dataset[0]
print(data)
print(f'Number of nodes: {data.num_nodes}')
print(f'Number of edges: {data.num_edges}')
print(f'Average node degree: {data.num_edges / data.num_nodes:.2f}')
print(f'Training node label ratio: {data.train_mask.sum().item() / data.num_nodes:.2f}')
print(f'Has isolated nodes: {data.has_isolated_nodes()}')
print(f'Has self-loops: {data.has_self_loops()}')
print(f'Is undirected: {data.is_undirected()}')#output
Data(x=[2708, 1433], edge_index=[2, 10556], y=[2708], train_mask=[2708], val_mask=[2708], test_mask=[2708])
Number of nodes: 2708
Number of edges: 10556
Average node degree: 3.90
Training node label ratio: 0.05
Has isolated nodes: False
Has self-loops: False
Is undirected: True

上面的很多指标意思都很明显，就不过多解释了。

重点是，基于点的任务到底要干什么？

基于点的任务，往往会约束在同一张图中。这张图有很多节点，如果它们有标签值，就可以划分到训练集（train_mask为True的点）、验证集（valid_mask为True的点）和测试集（test_mask为True的点），用于模型的训练与预测。

我们的目标是，对于一些没有标签值的点，我们就用训练好的模型去预测它们。

所以，其实这个任务非常加了邻接矩阵的MLP。我们将两者对比一下。

MLP

模型定义很简单，这是一个7分类问题。

import torch
import torch.nn as nnclass MLP(torch.nn.Module):def __init__(self):super(MLP, self).__init__()torch.manual_seed(666)self.fc = nn.Sequential(nn.Linear(1433, 256),nn.ReLU(),nn.Linear(256, 64),nn.ReLU(),nn.Linear(64, 7))def forward(self, x):return self.fc(x)

训练的时候，注意一下细节：

1. 这个数据集用train_mask和test_mask来划分训练集和测试集。在training时，只用在train_mask为True的上面计算损失即可。同样在计算testing的acc时，也只需要用到test_mask为True的即可。
2. x的shape为[2708, 1433]，这里整个训练采用的是最传统的方式，即整个数据集不划分batch（或者说整个数据集就是一个batch）

model = MLP()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)def train():model.train()optimizer.zero_grad()out = model(data.x)loss = criterion(out[data.train_mask], data.y[data.train_mask])loss.backward()optimizer.step()return loss.item()def test():model.eval()out = model(data.x)pred = out.argmax(dim=1)  # [2708, 7] -> [2708]acc = pred[data.test_mask].eq(data.y[data.test_mask]).sum().item() / data.test_mask.sum().item()return accmlp_loss_lst = []
mlp_acc_lst = []
for epoch in range(1, 201):"""input: [2708, 1433]output: [2708, 7]"""loss = train()acc = test()mlp_loss_lst.append(loss)mlp_acc_lst.append(acc)

GCN

先来看看模型。

PyG将图神经网络里面各种经典的架构基本都有实现，这里的GCNConv直接调库，原理的话我们上一个专栏详细说过了：【模型学习之路】手写+分析GAT_手写gat-CSDN博客

仔细观察，GCNConv在维度上的表现简直就跟nn.Linear一模一样！

当然，内部自然要复杂的多。此外，它在调用时还要有edge_index，格式和前面的data.edge_index是统一的。

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConvclass GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()torch.manual_seed(666)self.conv1 = GCNConv(1433, 16)self.conv2 = GCNConv(16, 7)def forward(self, x, edge_index):x = self.conv1(x, edge_index)  # [2708, 1433] -> [2708, 16]x = F.relu(x)x = F.dropout(x, training=self.training)x = self.conv2(x, edge_index)  # [2708, 16] -> [2708, 7]return x

训练过程大差不差。

model = GCN()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)def train():model.train()optimizer.zero_grad()out = model(data.x, data.edge_index)loss = criterion(out[data.train_mask], data.y[data.train_mask])loss.backward()optimizer.step()return loss.item()def test():model.eval()out = model(data.x, data.edge_index)pred = out.argmax(dim=1)  # [2708, 7] -> [2708]acc = pred[data.test_mask].eq(data.y[data.test_mask]).sum().item() / data.test_mask.sum().item()return accgcn_loss_lst = []
gcn_acc_lst = []
for epoch in range(1, 201):"""input: [2708, 1433]output: [2708, 7]"""loss = train()acc = test()gcn_loss_lst.append(loss)gcn_acc_lst.append(acc)

两者的对比也是挺明显的：

plt.figure(figsize=(10, 5))
plt.plot(mlp_acc_lst, label='MLP')
plt.plot(gcn_acc_lst, label='GCN')
plt.ylim(0, 1)
plt.legend()
plt.show()

【模型学习之路】PyG的使用+基于点的任务

这一篇是关于PyG的基本使用目录前言 PyG的数据结构演示图的可视化基于点的任务任务分析 MLP GCN 前言对图结构感兴趣的朋友可以学一下常用的有关图结构的库：networkx详细介绍 networkx 库，探讨它的基本功能、如何创建图、操作图以及其常…...

编程日记 2025/7/18 14:56:01

Python 语言环境 python 的 pip 第三方库管理 sudo apt install python3-pippython 的 idle 界面 sudo apt install idle3R 语言环境 sudo apt install r-cran-zoo### RStudio 界面 ubuntu sudo snap install rstudio --classicJulia 语言环境 sudo snap install julia --…...

编程日记 2025/7/13 18:09:43

Android 常用命令和工具解析之Trace相关

目录 1、Perfetto基本用法 1.1 perfetto抓取命令 1.2 Perfetto主界面 1.3 Perfetto常用技巧 1.3.1 CPU的运行状态 1.3.2 CPU的频率 1.3.3 CPU的所有任务 1.3.4 判断是否低内存 1.3.5 CPU的负载计算 1.3.6 查看某进程是否运行在大核 1.3.7 CPU的大核占用率计算 2、应…...

编程日记 2025/7/14 8:46:06

使用IDEA构建springboot项目+整合Mybatis

目录目录 1.Springboot简介 2.SpringBoot的工作流程 3.SpringBoot框架的搭建和配置 4.用Springboot实现一个基本的select操作 5.SpringBoot项目部署非常简单，springBoot内嵌了 Tomcat、Jetty、Undertow 三种容器，其默认嵌入的容器是 Tomcat，…...

编程日记 2025/7/10 7:54:26

Python学习34天

import random class Game: peo0 rob0 # # def __init__(self,peo,rob): # self.peopeo # self.robrob def Play(self): """ 石头剪刀布游戏，0代表石头，1代见到，2代表石头 …...

编程日记 2025/7/18 5:02:13

leetcode hot100【LeetCode 215.数组中的第K个最大元素】java实现

LeetCode 215.数组中的第K个最大元素题目描述给定一个整数数组 nums 和一个整数 k，请返回数组中第 k 个最大的元素。请注意，要求排名是从大到小的，因此第 k 个最大元素是排序后的第 k 个元素。你需要设计一个高效的算法来解决这个问题。…...

编程日记 2025/7/18 19:48:52

科技赋能：企业如何通过新技术提升竞争力的策略与实践

引言在当今瞬息万变的商业环境中，科技的迅猛发展正在重新定义行业的游戏规则。无论是小型企业还是跨国巨头，都感受到数字化转型的迫切需求。过去，企业竞争力更多依赖于成本控制、资源调配或市场覆盖，而如今，新技术的引…...

编程日记 2025/7/18 16:55:10

SAP开发语言ABAP开发入门

1. 了解ABAP开发环境和基础知识 - ABAP简介 - ABAP（Advanced Business Application Programming）是SAP系统中的编程语言，主要用于开发企业级的业务应用程序，如财务、物流、人力资源等模块的定制开发。 - 开发环境搭建 - 首先需…...

编程日记 2025/7/14 9:08:32

快速理解微服务中Ribbon的概念

一.基本概念 1.在微服务架构中，Ribbon 是一个客户端负载均衡器，用于控制服务间的通信方式。 2.Ribbon 是一个开源的库，最早由 Netflix 开发，用于实现客户端负载均衡。 3.Ribbon 主要解决的是在微服务架构中，多个服务…...

编程日记 2025/7/14 9:55:04

MTK主板_安卓主板方案_MTK联发科主板定制开发

联发科(MTK)主板以其强大的性能和多样化的功能而受到广泛关注。该平台包括多个型号，例如MT6761、MT8766、MT6762、MT6765、MT8768和MT8788等，均配置了四核或八核64位处理器，主频可高达2.0GHz。采用先进的12nm工艺，搭载Android 11.…...

编程日记 2025/7/17 1:15:27

Linux：文件管理（一）——文件描述符fd

目录一、文件基础认识二、C语言操作文件的接口 1.> 和 >> 2.理解“当前路径” 三、相关系统调用 1.open 2.文件描述符 3.一切皆文件 4.再次理解重定向一、文件基础认识文件内容属性。换句话说，如果在电脑上新建了一个空白文档&#xff0…...

编程日记 2025/7/14 13:33:58

Excel的图表使用和导出准备

目的导出Excel图表是很多软件要求的功能之一，那如何导出Excel图表呢？或者说如何使用Excel图表。一种方法是软件生成图片，然后把图片写到Excel上，这种方式，因为格式种种原因，导出的图片不漂亮&#xff0c…...

编程日记 2025/7/14 1:43:43

Python + 深度学习从 0 到 1（00 / 99）

希望对你有帮助呀！！💜💜 如有更好理解的思路，欢迎大家留言补充 ~ 一起加油叭 💦 欢迎关注、订阅专栏【深度学习从 0 到 1】谢谢你的支持！ ⭐ 什么是深度学习？ 人工智能、机器学习与…...

编程日记 2025/7/17 3:31:50

高级AI记录笔记（五）

学习位置 B站位置：红豆丨泥 UE AI 教程原作者Youtube位置：https://youtu.be/-t3PbGRazKg?siRVoaBr4476k88gct素材自备改良近战AI格挡行为把近战AI的格挡行为从行为树中单独一个任务分块中给删除掉，因为我们希望敌人在受到伤害后立即进行…...

编程日记 2025/7/13 14:13:17

uniapp vue2项目迁移vue3项目

uniapp vue2项目迁移vue3项目，必须适配的部分一、main.js 创建应用实例 // 之前 - Vue 2 import Vue from vue import App from ./App Vue.config.productionTip false // vue3 不再需要 App.mpType app // vue3 不再需要 const app new Vue({ ...App }) …...

编程日记 2025/7/14 20:11:57

平安科技Java面试题及参考答案

多个线程 a++，单个线程不管别的线程怎么改变 a 的值，只管自己的 a 的值，但是只有一个对象在 Java 中，当多个线程对同一个对象的共享变量 a 进行 a++ 操作时，如果不进行适当的同步处理，就会出现数据不一致的问题。因为 a++ 操作并非原子操作，它实际上包含了读取 a 的值、…...

编程日记 2025/7/17 21:48:26

Element UI 打包探索【1】

目录第一个命令第二个命令 node build/bin/iconInit.js node build/bin/build-entry.js node build/bin/i18n.js node build/bin/version.js 总结最近在接触组件库的项目，所以特意拿来Element UI借鉴学习一下，它算是做前端的同学们离不开的一…...

编程日记 2025/7/17 15:09:39

【通俗理解】神经网络中步长缩小的奥秘：优化算法与卷积操作的影响

【通俗理解】神经网络中步长缩小的奥秘：优化算法与卷积操作的影响关键词提炼 #神经网络 #步长缩小 #优化算法 #卷积操作 #AdaGrad #感受野第一节：步长缩小的类比与核心概念【尽可能通俗】在神经网络中，步长缩小就像是运动员在赛跑中逐…...

编程日记 2025/7/12 13:48:23

C语言：C语言实现对MySQL数据库表增删改查功能

基础DOME可以用于学习借鉴； 具体代码 #include <stdio.h> #include <mysql.h> // mysql 文件，如果配置ok就可以直接包含这个文件//宏定义连接MySQL必要参数 #define SERVER "localhost" //或 127.0.0.1 #define USER "roo…...

编程日记 2025/7/18 19:50:26

2023.11 Graph-Enriched Biomedical Language Models: A Research Proposal

Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics: Student Research Workshop, pages 82–92 November 1–4, 2023. ©20…...

编程日记 2025/7/17 10:02:50

HTML详解（1）

1.HTML定义 HTML：超文本标记语言。超文本：通过链接可以把多个网页链接到一起标记：标签，带括号的文本后缀：.html 标签语法：<strong>需加粗文字</strong> 成对出现，中间包裹内容&l…...

编程日记 2025/7/18 19:54:48

Taro 鸿蒙技术内幕系列（三） - 多语言场景下的通用事件系统设计

基于 Taro 打造的京东鸿蒙 APP 已跟随鸿蒙 Next 系统公测，本系列文章将深入解析 Taro 如何实现使用 React 开发高性能鸿蒙应用的技术内幕背景在鸿蒙生态系统中，虽然原生应用通常基于 ArkTS 实现，但在实际研发过程中发现，使用 C…...

编程日记 2025/7/15 16:41:13

Java图书管理系统（简易保姆级）

前面学习了这么多知识，为了巩固之前的知识，我们就要写一个图书管理系统来帮助大家复习，让大家的知识融会贯通~~~ 话不多说，直接开始今天的内容~ 首先呢，我们要有一个大体的思路： 实现效果思路有两种情况&a…...

编程日记 2025/7/14 10:34:33

maven 中＜packaging＞pom＜/packaging＞配置使用

在 Maven 项目的 pom.xml 文件中， 元素用于指定项目的打包类型。默认情况下，如果元素没有被显式定义，Maven 会假设其值为 jar。但是，当您设置 pom 时，这意味着该项目是一个 POM（Project Object Model&…...

编程日记 2025/7/14 5:18:17

uniapp使用腾讯云获取位置转为省市区

腾讯云获取位置转为省市区腾讯位置服务提供了多种SDK程序包，其中的JavaScript版本的SDK适用于微信小程序，所以我们下载这个SDK包。下载地址在小程序项目中，创建lib目录，把SDK文件放入其中 <script>var QQMapWX requ…...

编程日记 2025/7/15 19:40:22

【git实践】分享一个适用于敏捷开发的分支管理策略

文章目录 1. 背景2. 分支管理实践2.1. 敏捷开发中分支管理面临的问题2.2. 分支管理策略2.3. 还需要注意的一些问题 3.总结 1. 背景在实际的开发工作中，我们往往会面临多任务并行研发，多个环境管理的情况，这种情况下，一个合适的分…...

编程日记 2025/7/13 8:38:46

rpm方式安装postgres数据库及普通用户管理数据库

一、安装postgres 数据库下载rpm安装包 wget https://ftp.postgresql.org/pub/repos/yum/15/redhat/rhel-7.9-x86_64/postgresql15-libs-15.5-1PGDG.rhel7.x86_64.rpm wget https://ftp.postgresql.org/pub/repos/yum/15/redhat/rhel-7.9-x86_64/postgresql15-15.5-1PGDG.rh…...

编程日记 2025/7/14 10:07:47

使用PgBackRest备份远程PG数据库

文章目录环境准备总体要求1. 在 PostgreSQL 服务器上配置1.1 配置 PostgreSQL1.2 配置 SSH 密钥1.4 安装PgBackRest1.4.1 使用源码编译1.4.2 直接安装配置文件 2. 在 PgBackRest 服务器安装PgBackRest2.1 安装 PgBackRest2.2 创建必要的目录2.3 编辑配置文件2.4 配置 SSH 密钥…...

编程日记 2025/7/16 14:38:12

笔记mfc11

Subclass(子类化)是MFC中最常用的窗体技术之一。子类化完成两个工作：一是把窗体类对象attach到一个windows窗体实体中（即把一个窗体的hwnd赋给该类）。另外就是把该类对象的消息加入到消息路由中，使得该类可以捕获消息。让edit能…...

编程日记 2025/7/13 18:24:55

Softing线上研讨会 | Ethernet-APL：推动数字时代的过程自动化

| （免费）线上研讨会时间：2024年11月19日 16:00~16:30 / 23:00~23:30 Ethernet-APL以10Mb/s的传输速率为过程工业中的现场设备带来了无缝以太网连接和本质安全电源，这不仅革新了新建工厂，也适用于改造现有工厂。与现…...

编程日记 2025/7/18 1:12:52

Spring Boot 整合 ELK 全面指南：实现日志采集、分析与可视化

一、ELK简介 1.1 什么是ELK？ ELK 是三个开源工具的组合： Elasticsearch：一个分布式全文搜索和分析引擎，用于存储和查询日志数据。Logstash：一个数据处理管道工具，用于收集、解析和处理日志数据。Kibana&…...

编程日记 2025/7/15 11:39:08

D80【 python 接口自动化学习】- python基础之HTTP

day80 requests请求加入headers 学习日期：20241126 学习目标：http定义及实战 -- requests请求加入headers 学习笔记： requests请求加入headers import requestsurlhttps://movie.douban.com/j/search_subjects params{"type":…...

编程日记 2025/7/18 0:33:22

在Windows环境下打包Qt C++项目为独立可执行文件的完整指南

目录 1. 配置Qt环境变量步骤： 2. 使用Release模式编译项目步骤： 3. 使用windeployqt工具收集依赖项步骤： 4. 精简复制后的文件目录方法一：使用windeployqt的选项方法二：手动删除不必要的文件方法三：使用静态…...

编程日记 2025/7/15 17:34:42

已存大量数据的mysql库实现主从各种报错----解决方案（看评论）

背景何谓“先死后生”本文使用技术1、实施流程图2、实施2.1、数据库备份2.2、搭建Mysql的Master-Slave2.2.1、准备工作2.2.2、开始部署2.2.3、账号配置2.2.4、slave 同步配置2.2.5、验证 2.3、Master做数据恢复结语背景计划对已有大量数据的mysql库的主从搭建，使…...

编程日记 2025/7/15 20:57:20

Java爬虫：深入探索1688接口的奥秘

在数字化时代，数据成为了企业最宝贵的资产之一。对于电商企业来说，获取和分析数据的能力直接关系到其市场竞争力。阿里巴巴旗下的1688平台，作为中国领先的批发贸易平台，拥有海量的商家和商品信息，成为了众多企业获取数…...

编程日记 2025/7/13 8:06:59

Linux——基础命令（1）

目录一、认识Linux 终端命令格式查阅命令帮助信息 -help 辅助操作自动补全清屏和查看当前工作目录二、基本命令文件和目录常用命令 1.ls-查看文件与目录 2.cd切换目录 （1）touc创建文件或修改文件时间 （2）mkdir创…...

编程日记 2025/7/14 20:08:50

Java知识及热点面试题总结（一）

今天开始对Java进行总复习，主要针对热点面试题，我们再根据试题内容延申相关知识； 1.、Java中equals与“”的区别详解讲二者区别之前，先大概讲解一下基本数据类型和引用类型的概念，当然，有一定基础的朋友…...

编程日记 2025/7/17 15:17:29

基于 AI 的软件工程: 超级程序员

徐昊《AI时代的软件工程》-极客时间课程学习总结帮助你更好地利用 LLM 提高效率，还可以站在一个更全面的立场上，讨论如何将 LLM 引入团队或是组织。核心观点： AI 辅助业务建模：通过将模型转化为 Mermaid 格式，将我们的模型表达为大语言模型能够理解的形式。通过添加注…...

编程日记 2025/7/15 10:51:46

Spring Boot 2 和 Spring Boot 3 中使用 Spring Security 的区别

文章目录 Spring Boot 2 和 Spring Boot 3 中使用 Spring Security 的区别1. Jakarta EE 迁移2. Spring Security 配置方式的变化3. PasswordEncoder 加密方式的变化4. permitAll() 和 authenticated() 的变化5. 更强的默认安全设置6. Java 17 支持与语法提升7. PreAuthorize、…...

编程日记 2025/7/16 1:37:00

浦语提示词工程实践(LangGPT版，服务器上部署internlm2-chat-1_8b，踩坑很多才完成的详细教程，)

首先，在InternStudio平台上创建开发机。创建成功后点击进入开发机打开WebIDE。进入后在WebIDE的左上角有三个logo，依次表示JupyterLab、Terminal和Code Server，我们使用Terminal就行。（JupyterLab可以直接看文件夹）…...

编程日记 2025/7/11 14:48:22

微信小程序+Vant-自定义选择器组件（多选

实现效果无筛选，如有需要可参照单选组件中的方法.json文件配置"component": true,columns需要处理成含dictLabel和dictValue字段，我是这样处理的： let list arr.map(r > {return {...r,dictValue: r.xxxId,dictLabel: r.xxx…...

编程日记 2025/7/14 18:49:40

Vue.js 学习总结（15）—— 如何快速删除 node_modules 依赖文件

一、删除 node_modules 依赖为什么慢？ 直接通过图形用户界面删除 node_modules 文件夹慢，原因主要有以下5点原因： （1）文件数量巨大：node_modules依赖可能会有上万个文件和文件夹，那么就使得操作…...

编程日记 2025/7/15 4:03:00

PyTorch基础05_模型的保存和加载

目录一、模型定义组件——重构线性回归二、模型的加载和保存 2、序列化保存对象和加载 3、保存模型参数一、模型定义组件——重构线性回归回顾之前的手动构建线性回归案例： 1.构建数据集；2.加载数据集(数据集转换为迭代器)；3.参数初…...

编程日记 2025/7/18 4:45:43

Vue.js前端web练习范例:随鼠标移动的小球

技术选型:运用html、css、script、及vue组件开发需求:编写在指定容器区域内随鼠标移动的小球，当鼠标超出容器，小球保持在边界位置不动程序设计： 1、创建440px*440px的容器；创建30px半径的小球； 2、记录小球在面板中…...

编程日记 2025/7/13 21:19:19

计算机网络----基本概念

基本概念在这一章从整体上介绍计算机网络的概况, 为后续的学习搭建起整体的框架; 介绍计算机网络中的基础术语和概念; 什么是因特网『因特网』是一个世界范围内互联了数以亿计的计算设备的计算机网络; 因特网具体构成因特网互联了数以亿计的计算设备, 这些设备被称为…...

编程日记 2025/7/17 19:55:34

创建可直接用 root 用户 ssh 登陆的 Docker 镜像

有时候我们在 Mac OS X 或 Windows 平台下需要开发以 Linux 为运行时的应用，IDE 或可直接使用 Docker 容器，或 SSH 远程连接。本地命令行下操作虽然可以用 docker exec 连接正在运行的容器，但 IDE 远程连接的话 SSH 总是一种较为通用的连接方…...

编程日记 2025/7/16 21:55:24

Linux 查看内核日志的方法

文章目录 1. dmesg 命令一. 介绍内核环形缓冲区的特点二. 主要功能三. dmesg 使用 2. 查看kmsg文件/dev/kmsg 的用途使用 /dev/kmsg与 dmesg 的关系 3. 内核日志消息的打印行为 1. dmesg 命令一. 介绍 dmesg（display message 或 display driver message 的缩写&…...

编程日记 2025/7/14 8:42:48

详解登录MySQL时出现SSL connection error: unknown error number错误

目录登录MySQL时出错SSL connection error: unknown error number 出错原因使用MySQL自带的工具登录MySQL 登陆之后，使用如下命令进行查看解决方法找到MySQL8安装目录下的my.ini配置文件记事本打开my.ini文件，然后按下图所示添加配置此时再…...

编程日记 2025/7/13 20:55:34

DRNN 神经网络的Jacobian 信息辨识

DRNN 神经网络的 Jacobian 信息辨识 1. 基本原理 Jacobian 矩阵用于描述多输入多输出系统中输入和输出之间的偏导关系，其形式为： 对于 DRNN（Dynamic Recurrent Neural Network），其动态特性使得 y(t)\mathbf{y}(t)y(t…...

编程日记 2025/7/17 6:52:05

麒麟系统x86安装达梦数据库

一、安装准备前工作操作系统：银河麒麟V10，CPU： x86_64 架构下载地址，麒麟官网：https://www.kylinos.cn/ 数据库：dm8_20220915_x86_kylin10_64 下载地址，达梦数据库官网：https://…...

编程日记 2025/7/14 11:46:52

前言

PyG的数据结构

演示

图的可视化

基于点的任务

任务分析

MLP

GCN

相关文章：