nx.draw可视化函数 创建4x4网格图 1 G = nx.grid_2d_graph(4, 4) 原生可视化 1 pos = nx.spring_layout(G, seed=123) 1 nx.draw(G, pos) 不显示节点 1 nx.draw(G, pos, node_size=0, with_labels=False) 设置颜色 1 len(G.edges()) 24 1 2 3 4 5 6 7 8 9 10 11 nx.draw( G, pos, node_color='#A0CBE2',

前言 当然，还是习惯 linux + jupyterlab 的组合，当然还是基于 https://www.spiritlhl.net/case/case1.html#%E4%B8%80%E9%94%AE%E5%AE%89%E8%A3%85jupyter%E7%8E%AF%E5%A2%83 构建基础环境 安装 由于是非国内服务器，无需清华镜像 1 2 !pip3 install numpy pandas matplotlib tqdm networkx # -i https://pypi.tuna.tsinghua.edu.cn/simple 验证是否安装成功 1 2 import

前言 需要提取特征反映全图结构特定 依然是在数数字 Bag-of-Words - (BoW) 数节点是否存在，存在为0，不存在为1： 数节点度数为xx的节点有几个： 拓展数的东西，这里可

前言 通过已知连接补全未知连接 连接预测 连接的特征 两节点的距离特征 两节点的最短路径长度： 两节点之间的最短路径长度可能一样，但经过的节点不一样，那

前言 这里就是解决之前生成D维向量的问题，使用人工设置特征，后续会使用GNN也就是图神经网络自动学习特征而不再需要人工设置特征了，这块等同于是

图基础 本体图是导入图之前就应该设计好的，本体图和具体图的关系类同类和实例的关系。如何设计本体图取决于将来的图的用途，比如图的用途是分析，那么

传统机器学习 默认二者独立同分布，只需要拟合决策边界分类或拟合回归的曲线即可。 现代神经网络 斯坦福CS的相关课程： 网络类型 数据类型 课程 全连接神经

前言 所有资源均免费，遇到付费推荐勿要付费 方向是 图神经网络 和 强化学习 的学习路径 基础知识 白月黑羽的网站： https://www.byhy.net/ 适合学习Python基础知识，有对应的

前言 Actor-Critic Methods 结合了价值学习和策略学习，同时训练了两个神经网络。 Actor 网络用于产生策略，Critic 网络用于评估策略。 目标 ① 更新策略网络Π的参数，是为

用策略函数指导动作 使用策略函数随机抽样得到动作。 近似策略函数 由于实际的策略函数无法得到，需要用各种方式去近似策略函数，所以这里可以使用神经网