提示：用作学习笔记，顺便分享，侵删文章目录前言一、图的基本概念1. 图的表示2. 图的实例3. 图的应用4. 使用图面临的挑战二、图神经网络基础（GNN）1.最简单的GNN2. pooling操作（汇集操作）3. 在图表各个部分之间传递消息三、GNN playground（作者文章的实验部分）四、GNN相关技术1. 其他类型的图2. GNN种图的采样和batch3. inductive biase

提示：系学习使用，侵删文章目录前言一、摘要二、结论总结前言师兄在我做实验期间推荐的文章文章利用红外图像生成一、摘要介绍了一种基于深度学习的方法，称为（DeepTCNet）。该方法利用热带气旋（TCs）的先验知识，从北大西洋上空的红外（IR）图像估计热带气旋强度和风半径。虽然标准的深度学习实践与传统的分析方法相比有许多优点，可以产生可靠的TCs估计值，但由机器可读的TCs物理知识提供信息的数据驱动模

提示：用作学习笔记，顺便分享，侵删文章目录前言一、图的基本概念1. 图的表示2. 图的实例3. 图的应用4. 使用图面临的挑战二、图神经网络基础（GNN）1.最简单的GNN2. pooling操作（汇集操作）3. 在图表各个部分之间传递消息三、GNN playground（作者文章的实验部分）四、GNN相关技术1. 其他类型的图2. GNN种图的采样和batch3. inductive biase

提示：系学习使用，侵删文章目录前言一、摘要二、结论总结前言师兄在我做实验期间推荐的文章文章利用红外图像生成一、摘要介绍了一种基于深度学习的方法，称为（DeepTCNet）。该方法利用热带气旋（TCs）的先验知识，从北大西洋上空的红外（IR）图像估计热带气旋强度和风半径。虽然标准的深度学习实践与传统的分析方法相比有许多优点，可以产生可靠的TCs估计值，但由机器可读的TCs物理知识提供信息的数据驱动模

提示：系学习使用，侵删文章目录前言一、摘要二、结论总结前言师兄在我做实验期间推荐的文章文章利用红外图像生成一、摘要介绍了一种基于深度学习的方法，称为（DeepTCNet）。该方法利用热带气旋（TCs）的先验知识，从北大西洋上空的红外（IR）图像估计热带气旋强度和风半径。虽然标准的深度学习实践与传统的分析方法相比有许多优点，可以产生可靠的TCs估计值，但由机器可读的TCs物理知识提供信息的数据驱动模

提示：系学习使用，侵删文章目录前言一、摘要二、结论总结前言师兄在我做实验期间推荐的文章文章利用红外图像生成一、摘要介绍了一种基于深度学习的方法，称为（DeepTCNet）。该方法利用热带气旋（TCs）的先验知识，从北大西洋上空的红外（IR）图像估计热带气旋强度和风半径。虽然标准的深度学习实践与传统的分析方法相比有许多优点，可以产生可靠的TCs估计值，但由机器可读的TCs物理知识提供信息的数据驱动模

文章目录前言一、初始化整个模型二、利用apply1. 判断实例对象类型，利用isinstance（）2. 通过类名判断总结前言记录，如何使用pytorch初始化。一、初始化整个模型pytorch 官方resnet代码for m in self.modules():if isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight, mode="

刚换了新电脑，需要重新安装深度学习环境，安装完anaconda之后，发现新建的虚拟环境在C盘。经过一系列踩坑后终于成功改变到了安装目录下。

提示：系学习使用，侵删文章目录前言一、摘要二、结论总结前言师兄在我做实验期间推荐的文章文章利用红外图像生成一、摘要介绍了一种基于深度学习的方法，称为（DeepTCNet）。该方法利用热带气旋（TCs）的先验知识，从北大西洋上空的红外（IR）图像估计热带气旋强度和风半径。虽然标准的深度学习实践与传统的分析方法相比有许多优点，可以产生可靠的TCs估计值，但由机器可读的TCs物理知识提供信息的数据驱动模

说明：系新手，写文章帮助学习ContentsA ConvNet for the 2020s 学习笔记一、pandas是什么？二、使用步骤1.引入库2.读入数据总结A ConvNet for the 2020s 学习笔记说明：只为学习记录，有误望见谅指正，侵删例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正