分享一套图神经网络视频教程——《深度学习-图神经网络实战》，视频+源码+数据+文档资料下载！
《深度学习-图神经网络实战》课程旨在帮助同学们快速掌握深度学习在图模型领域算法及其应⽤项⽬。内容主要包括三个模块：
1、图神经⽹络经典算法解读，详细解读GNN,GCN,注意⼒机制图模型等算法 ；
2 、图神经⽹络框架PyTorch-Geometric，全程实战解读图神经⽹络框架应⽤⽅法；
3 、图神经⽹络项⽬实战，基于真实数据集与实际项⽬展开图数据集构建与模型训练并应⽤到实际场景中。
整体⻛格通俗易懂，提供全部数据与代码。
2023-05-19 18:57:42
1KB
1
研究@ Magic Leap（CVPR 2020，口腔）
SuperGlue推理和评估演示脚本
介绍
SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。
SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见：
全文：PDF： 。
作者： Pa
2023-04-15 00:59:43
114.85MB
1
给大家分享一套课程——《深度学习-图神经网络实战课》，提供全部数据与代码。
图神经⽹络模块课程旨在帮助同学们快速掌握深度学习在图模型领域算法及其应⽤项⽬。
2023-04-11 15:28:48
730B
1
这是总结的深度学习中常用的11个图数据集。
1. 近年来，深度学习越来越关注图方向的任务，通过利用图神经网络去挖掘现实中各种可以利用图来表示事物（社交网络，论文引用网络，分子结构）等等，来学习更好的表示，去实现下游任务。
2. 图数据是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes（feature）是信息的意思，每个点、每条边、每个图都是有信息的。
3. 图数据集对于图任务的科研是必备的。深度学习中常用的图数据集：Cora、Citeseer(Cite)、Pubmed、DBLP、ACM、AMAP、AMAC、Corafull、WIKI、BAT、EAT、UAT。
2023-04-02 18:25:09
31.04MB
1
本文中有两个gif图需要将文件使用html的方式打开才可以看到，主要介绍了本人对图卷积网络的形象化的理解，希望能够帮助到大家共同努力，谢谢！
2023-03-23 18:25:52
4.22MB
1
TF图神经网络样本
该存储库是代码版本，对应于介绍具有特征线性调制的图神经网络（GNN）的文章（ ）。 在本文中，讨论了许多GNN架构：
门控图神经网络（GGNN）（ ）。
关系图卷积网络（RGCN）（ ）。
关系图注意力网络（RGAT）-图注意力网络（ ）对几种边缘类型的概括。
关系图同构网络（RGIN）-图同构网络（ ）对几种边缘类型的概括。
带有边缘MLP的图形神经网络（GNN-Edge-MLP）-RGCN的一种变体，其中边缘上的消息是使用完整MLP而非单个层来计算的。
关系图动态卷积网络（RGDCN）-RGCN的新变体，其中动态计算卷积层的权重。
具特征线性调制（GNN-FiLM）的图形神经网络-带有FiLM层的RGCN的新扩展。
本文中提出的结果基于该存储库中提供的模型和任务的实现。
此代码已在使用TensorFlow 1.13.1的Python 3.
2023-03-11 09:22:01
25.7MB
1
Heterogeneous Information Network
传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。
如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类
2023-02-11 20:56:14
384KB
1
极端天气情况一直困扰着人们的工作和生活。部分企业或者工种对极端天气的要求不同，但是目前主流的天气推荐系统是直接将天气信息推送给全部用户。这意味着重要的天气信息在用户手上得不到筛选，降低用户的满意度，甚至导致用户的经济损失。我们计划开发一个基于图神经网络的天气靶向模型，根据用户的历史交互行为，判断不同天气对他的利害程度。如果有必要，则将该极端天气情况推送给该用户，让其有时间做好应对准备。该模型能够减少不必要的信息传递，提高用户的体验感。
模型介绍
（一）数据集共有三个txt文件，分别是user.txt，weather.txt，rating.txt。这些文件一共包含900名用户，1600个天气状况，95964条用户的历史交互记录。
（1）user.txt
用户的信息记录在user.txt中。格式如下：
用户ID\t年龄\t性别\t职业\t地理位置
（2）weather.txt
天气的信息记录在weather.txt中。格式如下：
天气ID\t天气类型\t温度\t湿度\t风速
（3）rating.txt
用户的历史交互记录在rating.txt中。格式如下：
用户ID\t天气ID\t评分
2023-01-02 20:27:42
582KB
1