集成学习（一）：数学基础（高数）在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。本次学习将介绍集成

消息传递图神经网络消息传递范式是一种聚合邻接节点信息来更新中心节点信息的范式，它将卷积算子推广到了不规则数据领域，实现了图与神经网络的连接。此范式包含三个步骤：(1)邻接节点信息变换、(2)邻接节点信息聚合到中心节点、(3)聚合信息变换。下方图片展示了基于消息传递范式的生成节点表征的过程：在图的最右侧，B节点的邻接节点（A,C）的信息传递给了B，经过信息变换得到了B的嵌入，C、D节点同。在图的中右

基于图神经网络的节点表征学习通过节点分类任务来比较MLP和GCN, GAT（两个知名度很高的图神经网络）三者的节点表征学习能力。本部分学习包括：做一些准备工作，即获取并分析数据集、构建一个方法用于分析节点表征的分布。考察MLP用于节点分类的表现，并分析基于MLP学习到的节点表征的分布。逐一介绍GCN, GAT这两个图神经网络的理论、他们在节点分类任务中的表现以及它们学习到的节点表征的分布。比较三者

深度学习（五）：神经网络训练不起来怎么办梯度很小的时候无法判断是local minimalocal\ minimalocal minima还是saddle pointsaddle\ pointsaddle point，以下是判断的一个方法的数学推导Tayler Series ApproximationTayler\ Series\ App

数据完全存于内存的数据集类InMemoryDataset基类简介在PyG中，通过继承InMemoryDataset类来自定义一个数据可全部存储到内存的数据集类。class InMemoryDataset(root: Optional[str] = None, transform: Optional[Callable] = None, pre_transform: Optional[Callable

深度学习（六）：CNN介绍CNN架构        首先input一张image以后，这张image会通过convolution layer，接下里做max pooling这件事，然后在做convolution，再做max pooling这件事。这个process可以反复无数次，反复的次数你觉得够多之后，(但是反复多少