将图的节点或边映射到一个低维的向量空间，即**将海量、高维、异构、复杂和动态的数据表示为统一、低维、稠密的向量**，用以保存图的结构和性质，旨在实现节点分类与聚类、链接预测、图的重构和可视化 等，提供一种具有更低计算复杂度的方法。包括**节点、边、子图、全图**基于**手工构造特征、矩阵分解、随机游走、图神经网络**的图嵌入方法。1.DeepWalk采用随机游走形成序列，采用skip-gram方法

本文介绍了中国作家从两百多篇英文科技论文中观察到的一些最常见的汉英习惯。习惯被解释，在大多数情况下，示例文本从实际论文连同首选文本给出。本文试图解释如何纠正和防止这类错误。在某些情况下，还可能解释为什么会产生这种习惯。这篇文章可以作为编辑技术论文的个人指南，特别是当母语为英语的编辑不在时。...

1. 什么是Weisfeiler-Lehman(WL)算法2. WL Test3. Weisfeiler-Lehman算法与GCN的关系4. Weisfeiler-Lehman算法应用Weisfeiler-Lehman算法通常被用在解决图的相似性问题上5. 举例说明①聚合邻居节点的标签得到一个标签的字符串，对字符串进行升序排列。②对字符串进行哈希处理，这里生成了一个一一映射的字典，这一步也可以使用

文章目录1. 查看所有环境Gym是一个包含各种各样强化学习仿真环境的大集合，并且封装成通用的接口暴露给用户。2. 编写文件放置首先找到自己的环境下面的gym环境包envs，之后我们要创建自己的myenv.py文件，确保自己创建的环境可以在gym里使用，可以进入classic_control文件新建一个myenv的文件夹。3.注册自己的模拟器4. 自定义环境实现5. 测试环境6. 自定义环境以及测试

pytorch：tensor与numpy的转换以及注意事项使用numpy()：tensor与numpy指向同一地址，numpy不能直接读取CUDA tensor，需要将它转化为 CPU tensor，即cpu.numpy()；使用torch.from.numpy和torch.Tensor前者转换后的tensor与numpy指向同一地址，且转换后的数据类型与源类型一致；而后者转换后的tensor与n

PyG 提供了torch_geometric.data.Data用于构建图。除了使用benchmark数据集进行实验外，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：torch_geometric.data.InMemoryDataset：用于构建内存数据集（小数据集），继承自Dataset，一次性加载所有数据到内存。torch_geometri

为什么要使用3×3卷积？& 1*1卷积的作用是什么？& 对ResNet结构的一些理解在感受野相同的情况下，三个3×3卷积比一个7×7卷积所需参数要少很多，这无疑减少了模型的复杂度，加快了训练速度。神经网络将像素空间的信息转化为语义信息。卷积核和池化使得图像长宽方向的信息逐渐减小，而卷积通道数逐层增加通道信息逐渐增加。1×1的卷积可以用来降维和升维（匹配维度），在ResidualBlock中减少模型

为什么要使用代理模型？在实际问题中，优化问题的解空间一般规模较大且复杂，导致求解过程也非常复杂。优化问题逐渐向复杂的高维、非线性、多极值的昂贵优化问题发展，这类问题的计算时间成本十分昂贵。构建代理模型以下三步：（1）选择适当的实验设计方法用于获取构建代理模型的初始样本点（2）选择合适的一个或多个代理模型用于近似表达数据（3）运用所构建的一个或多个代理模型