一.为什么要安装tensorflow-gpu?本人之前使用的是cpu版本的，但是最近由于在做一个深度学习的项目，无奈cpu版本的运行速度实在是令我受不了了，因此我决定转向gpu版本(之前不装gpu版本是因为嫌麻烦)。在成功安装后，我有点后悔为什么不早点更换，因为速度提升的不是一星半点。因此，在这里我想向大家介绍如何安装gpu版本的tensorflow，话不多说，请看下文。二.安装过程2.1 ...

Bytes和Str的区别在Python3中，字符序列有两种类型：bytes和str。bytes类型是无符号的8位值（通常以ASCII码显式），而str类型是Unicode代码点（code point）。代码点指编码字符集中，字符所对应的数字。a = b'hello world'print(isinstance(a, bytes))print(list(a))print(a)"""True[104,

一.前言本文按照Python格式化字符串的历史来按顺序介绍三种字符串格式化方法。二.字符串格式化的方法2.1 使用%格式化运算符使用%来进行字符串格式化时，预定义的文本模板在%运算符的左侧，要插入文本模板的值在%的右侧，以单个值或多个值组成元组的形式提供，例如：m_str = "python"print("hello %s" % m_str)# hello pythona,b = 2,3print

文章概述作者指出许多流行的GNN模型在泛化到异构图上时性能都很差，为此，作者确定了一组能够帮助提升GNN在异构图上性能的设计：自嵌入和邻居嵌入分离聚合更高阶的邻居将中间层的表示组合作为最后的表示作者将这些理念应用到了自己设计的H2GCN\text{H}_{2}\text{GCN}H2​GCN上，半监督结点分类任务（semi-supervised node classification task）的

一.前言字典是Python中的常用类型，在某些情况下，可能会删除或访问字典中不存在的键，此时会报错为KeyError，例如：capitals = {"China": "BeiJing","USA": "Washington"}print(capitals['Japan'])# KeyError: 'Japan'为此，Python提供了多套解决方案来避免上述问题，包括由字典内置的方法以及collec

一.对数几率回归的定义1.1 广义线性模型在之前的机器学习(一)：深入解析线性回归模型一文中所介绍的线性模型都是基于y=wTx+by=w^Tx+by=wTx+b这种形式的。但对于某些数据集虽然其自变量xxx与因变量yyy并不满足一元函数关系，但是可以通过某些函数g(.)g(.)g(.)让输入空间xxx到输出空间yyy的非线性函数映射转换成输入空间xxx到输出空间g(y)g(y)g(y)的线性函数映

在PyG中，除了直接使用它自带的benchmark数据集外，用户还可以自定义数据集，其方式与Pytorch类似，需要继承数据集类。PyG中提供了两个数据集抽象类：下面是对其的详细介绍。

在Pytorch Geometric中我们经常使用消息传递范式来自定义GNN模型，但是这种方法存在着一些缺陷：在邻域聚合过程中，物化x_i和x_j可能会占用大量的内存（尤其是在大图上）。然而，并不是所有的GNN都需要表达成这种消息传递的范式形式，一些GNN是可以直接表达为稀疏矩阵乘法形式的。在1.6.0版本之后，PyG官方正式引入对稀疏矩阵乘法GNN更有力的支持（torch-sparse中的Spa

PyG全称是Pytorch Geometric，它是一个基于Pytorch构建的库，可以帮助用户快速构建和训练自己的图神经网络模型。PyG中实现了很多先进（state of the art）的GNN模块，例如、、、、等等。此外，PyG中还包含了大量的benchmark图数据集、丰富的图数据操作方法、支持多GPU。关于PyG的安装，推荐使用命令的方式：其中和分别表示Pytorch版本和CUDA版本的

本文提出了一种自监督属性图生成任务来预训练GNN，使得其能捕图的结构和语义属性。作者将图的生成分为两个部分：属性生成和边生成，即给定观测到的边，生成节点属性；给定观测到的边和生成的节点属性，生成剩余的边。通过这种方式使得模型能捕获每个节点属性和结构之间的依赖关系。对于每个节点，GPT-GNN可以同时计算其属性生成和边生成损失。另外，为了使得GPT-GNN可以处理大图，作者采用了子图采样技术，并提出