本周阅读了一篇利用图神经网络（GNN）与门控循环单元（GRU）进行配水网络（WDN）水质预测的论文。论文模型（GGNN）实现了扩展图邻接矩阵在有向图中加入双向信息流，从而增强了模型的双向学习能力。同时模型还利用掩码操作模拟了站点故障导致数据缺失的情况，根据正常站点数据也能对故障站点进行预测，并且还能解决模型过拟合或者欠拟合的问题。

本周阅读了一篇运用GNN进行时间序列预测的论文。论文主要提出了一种分离空间和时间编码器的双通路框架，用于通过有效的时空表示学习准确预测水温，特别是极端的高水温。框架主要使用Transformer的自注意机制构造空间和时间编码器执行任务，同时采用了各种补丁嵌入方法和空间特征位置嵌入方法的组合。此外，本周还运用GAT模型进行了一个时间序列预测的实验。

本周深入学习了MAGNN模型内部的结构，主要包括：多尺度金字塔网络、自适应图学习模块、多尺度时序图神经网络、尺度融合模块、输出模块与损失函数六大模块。其中多尺度金字塔网络用于捕获原始时间序列在不同尺度上的特征表示。自适应图学习模块用于捕获样本间的依赖关系，最终输出的是邻接矩阵。多尺度时序图神经网络用于根据输入的不同尺度时间序列和邻接矩阵进行时序卷积操作，得到最终的特定尺度下的特征表示。尺度融合模块

本周继续学习了语义分割的内容，主要包括 FCN（全卷积网络）、双线性插值和膨胀卷积等方面。FCN 通过上采样的倍率可以划分为 FCN-32S、FCN-16S、FCN-8S，它们从不同程度上利用了下采样的信息。双线性插值是一种常用的图像处理技术，经常用于上采样操作，将特征图从低分辨率插值到高分辨率。膨胀卷积通过在卷积核的内部引入一个可调参数，膨胀率（Dilation Rate），来扩展卷积核的感受野

本周阅读了一篇关于使用GNN进行时间序列预测的论文。该论文模型的主要实现了在捕获时间序列不同尺度上的时间依赖关系外，还捕获了在不同尺度上变量之间的内部联系，例如空间上的依赖关系。同时还编写了论文提供的相关代码，了解了论文模型的定义。

本周主要学习了语义分割的基本概念及其在计算机视觉领域中的应用。了解了语义分割的几种经典网络，如全卷积网络（FCN）、DeepLabV3和LR-ASPP等。深入理解了这些网络的结构和工作原理，特别是FCN网络，它通过替换传统CNN的全连接层为卷积层，实现对图像的像素级分类。此外，还知道了语义分割的常用数据集格式、评价指标以及标注工具，如Labelme和EISeg，并详细讨论了转置卷积的机制和其在神经

本周阅读了题为Water Quality Prediction Based on LSTM and Attention Mechanism: A Case Study of the Burnett River, Australia的论文。这项工作提出了一种基于长期短期记忆的神经网络和 注意力机制的混合模型——AT-LSTM。其中，LSTM缺乏对子窗口特征进行不同程度关注的能力，这可能会导致一些相关

为了运行之后本地部署的Qwen-7B-Chat模型，我们需要根据要求在Anaconda中安装一个满足模型运行要求的虚拟环境，其官方的配置环境要求如下，这里配置的环境为使用GPU Pytorch的版本。点击其中的模型文件，进入模型文件页面，之后点击右侧的下载模型。第二步：安装通义千问官方说的运行Qwen-7B需要安装的依赖。第一步：安装modelscope可以用来下载模型。SDK安装安装工具包下载。

本周阅读了题为Water Quality Prediction Based on LSTM and Attention Mechanism: A Case Study of the Burnett River, Australia的论文。这项工作提出了一种基于长期短期记忆的神经网络和 注意力机制的混合模型——AT-LSTM。其中，LSTM缺乏对子窗口特征进行不同程度关注的能力，这可能会导致一些相关