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