图神经网络是近几年乃至以后非常热门的一个研究方向，这不仅体现在图深度学习的理论算法研究，还体现在图神经网络的应用方面。每当各大顶会一放榜有关图神经网络算法研究的论文在数量方面肯定排名前几。我自己研究图神经网络也有一段时间了，一直不知道该如何去解读图神经网络，所以这个文章一直是空的。最近在这上面有了一些想法，所以打算出一个系列文章把这一块的知识弄清楚。系列文章主要分三大块第一块是：主要讲一下图神经网

在数据结构中学过哈希概念以及哈希在内存中的应用，在实际的应用问题中哈希技术也应用十分广泛如在推荐系统以及图神经网络技术中，所以在此总结一下哈希的相关概念以及minHash以及其实际应用，其中多有参考别的文献内容，相关参考一并列在参考文献中。Hash（哈希），又称“散列”。散列（hash）英文原意是“混杂”、“拼凑”、“重新表述”的意思。

图滤波器为对图中的频率分量进行增强或衰减，图滤波算子核心为其频率响应矩阵，为滤波器带来不同的滤波效果。故图滤波器根据滤波效果可分为低通，高通和带通。H。

在之前的文章中（图上的傅里叶变换），已经顺利的从传统的傅里叶变换过渡到了图上的傅里叶变换，这样使得离散的图数据能够进行卷积操作。本节主要阐述如何如何从图的傅里叶变换到图卷积。本文为自学的记录，其中多有借鉴他人的地方，一并在参考文献中给出链接。[1]【王木头学科学|深度学习】1. 什么是卷积？卷积的3个意义。卷积、图像卷积操作、卷积神经网络[2]【图机器学习】图神经网络入门（二）图上的傅里叶变换[3

单细胞RNA测序(single-cell RNA-seq，scRNA-seq)数据是非常有特点的数据，具有很高的稀疏性(high sparsity)，具体表现为0非常多(zero inflation)。对于数据的分布给出合理的假设是非常关键的工作，是下游分析的基础。显然对于scRNA-seq的reads count数据，最常用的正态分布是不合理的。首先正态分布描述的是连续型数据，而reads co

[1]对于特征空间与机器学习，深度学习的深夜思考[2]理解机器学习中的潜在空间

【代码】【机器学习】sklearn包中K近邻图的构造。

对于这种无法直接求解的问题，我们通常会采用迭代求解的策略，一步一步逼近最终的结果，在EM算法中就是E步和M步的交替进行，直至收敛。EM算法用于具有隐变量模型的参数估计，如高斯混合模型，VAE算法推导的前置知识等，了解EM算法更能深刻理解许多复杂算法模型。因为ELBO没有大于等于0的保证，在kl最大化的同时，不能保证kl增加的幅度大于ELBO下降的幅度。在上面的推到中得到ELBO之后，其实求解参数的

【代码】【机器学习】变量间的相关性分析。

在linux中创建的Conda环境，不同了虚拟环境可以安装不同的之间cuda不影响。这样可以适配不同的深度学习环境。命令如下，当然可以后面换不同的源加速下载速度。conda install cudatoolkit=10.1 -c https://mirrors.aliyun.com/anaconda/pkgs/free/linux-64/...