1.图神经网络的设计角度AdaGCN: Adaboosting Graph Convolutional Networks into Deep Models【 ICLR 2021】创新点： 将传统机器学习方法(AdaBoost)与GNN结合，提出AdaGCN，AdaGCN在所有层之间共享相同的基本神经网络结构，能够在一定程度上解决过平滑问题。摘要： 深度图模型仍是一个有待研究的问题，关键之处在于如何

首先，先推荐一个非常好的公众号：深度学习与图网络，其中真的对图神经网络的介绍非常全面，而且易懂，连续刷里面的一些文章，对GNN的体系差不多就建立的差不多了~尤其是其中的这篇渐进式总结的入门干货分享！！干货分享|深度学习与图网络从入门到进阶【内容丰富】 ，我当时按照顺序看了一上午，真的觉得思路清奇地清晰，完全是下一篇文章的一个算法改进了上一篇更旧的模型的一些不足。里面资料也很丰富，强烈推荐了~另外，

模型的训练self,n_steps,n_layers,d_model,d_inner,n_head,d_k,d_v,dropout,):self.d_k,self.d_v,else:val_X, 0.2) #这行代码调用了一个名为_train_model的方法，并传入了training_loader作为参数#根据代码片段的上下文，可以推测_train_model方法是用来执行模型的训练操作的。

分析得出是输入长度加上图片token过程，vicuna 默认的session_len长度(2048)过短造成的，对话模版也需要了解。

BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言模型，它基于Transformer架构，通过在大规模的未标记文本上进行训练来学习通用的语言表示。

多元时间序列预测在能源消耗和交通预测等实际应用中一直受到了广泛的关注。虽然最近的方法显示出良好的预测能力，但它们有三个基本的限制。(i).离散的神经结构：交错使用单独参数化的空间和时间块来编码丰富的潜在模式，会导致不连续的潜在状态轨迹和更高的预测数值误差(ii).高复杂性：离散方法使具有专用设计和冗余参数的模型复杂化，导致了更高的计算开销和内存开销。(iii).依赖于图的先验：依赖于预定义的静态图

多通道卷积应用例如：对于彩色图片有RGB三个通道，需要处理多输入通道的场景。输出特征图往往也会具有多个通道，而且在神经网络的计算中常常是把一个批次的样本放在一起计算，所以卷积算子需要具有批量处理多输入和多输出通道数据的功能。批量操作conv2d 常用的参数如下：in_channels(int) - 输入图像的通道数。out_channels(int) - 卷积核的个数，和输出特征图通道数相同，相当

【代码】Latex论文引用脚注加网址或代码超链接。

map.find()用find函数来定位数据出现位置，它返回的一个迭代器，当数据出现时，它返回数据所在位置的迭代器，如果map中没有要查找的数据，它返回的迭代器等于end函数返回的迭代器，程序说明#include#include#includeUsing namespace std;Int main(){Map<int, string> mapStude...

然后，它计算模型输出与目标标签之间的二元交叉熵损失。在多分类任务中，模型的最后一层输出是一个概率分布，表示每个类别的概率。CrossEntropyLoss() 计算模型输出与目标标签之间的交叉熵损失，用于衡量模型的预测与真实标签之间的差异。需要注意的是，nn.BCEWithLogitsLoss() **可以用于多标签分类任务，**其中每个样本可以属于多个类别。总之，CrossEntropyLoss