- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据库相关
图数据库neo4j学习
在日常运维开发过程中，可能遇到需要存储或者展示依赖关系的情况，这种比较适合用图数据库去存储。 生产上大体量的话可以使用Nebula Graph ，如果数据量比较小也可以使用单机的neo4j。 下面开始neo4j的基本知识的学习。 ) return distinct(id(n)) 常用函数 https://neo4j.com/docs/cypher-manual/current/functions/ https://neo4j.com =/usr/local/software/jdk-22.0.1 cd /usr/local/software/neo4j_5.26.3 . /bin/neo4j stop mkdir abcd ./bin/neo4j-admin database dump neo4j --to-path=./abcd
1.1K10编辑于 2025-03-26 AI4S图机器学习：DGL图构建接口的PyG替换
，有的加速卡对PyG图机器学习库的支持亲和度更高，因此有些时候需要做DGL接口的PyG替换。 在本文中，主要展示图构建结构的替换。 dgl.graph:创建图结构数学逻辑:提取氨基酸相对位置构建完全连接图设置边特征和节点特征PyG实现代码:def make_full_graph(xyz, pair, idx, top_k=64, kmin return G, edge_featsmake_topk_graph位置:rfdiffusion/util_module.py输入和输出:与 make_full_graph 类似，但构建k近邻图而非完全图调用 DGL函数:dgl.graph:创建图结构数学逻辑:计算氨基酸之间距离选择top-k最近邻居确保每个节点至少有kmin个邻居优化方案:使用PyG的knn_graph函数简化实现利用PyG的批处理机制处理多图
28600编辑于 2025-06-16- 来自专栏NLP/KG
4.图学习初探Paddle Graph Learning 构建属于自己的图【系列三】
contributionType=1 如遇到问题查看原项目解决 图学习温故以及初探Paddle Graph Learning (PGL)构建属于你的图【系列三】 相关项目参考： 图机器学习(GML)&图神经网络 结合PaddlePaddle深度学习框架， 的框架基本能够覆盖大部分的图网络应用，包括图表示学习以及图神经网络。 1.2.1 支持异质图MetaPath walk采样 <img src="https://ai-studio-static-online.cdn.bcebos.com/504f8ed159d744f890c2182530897f<em>4</em>dc700e<em>4</em>b9b937428cb5ef9977e41238a6 GATNE 基于MessagePassing的异质图表示<em>学习</em> 上述模型包含图表示<em>学习</em>，<em>图</em>神经网络以及异质图三部分，而异质图里面也分图表示<em>学习</em>和<em>图</em>神经网络。 、<em>图</em><em>学习</em>的概念、<em>图</em>的应用场景、以及<em>图</em>算法有哪些，最后介绍了PGL<em>图</em><em>学习</em>框架，并给出demo实践。
71300编辑于 2022-11-20 - 来自专栏杨建荣的学习笔记
图数据库Neo4j学习笔记系列
关于Neo4j图数据库 一、关于neo4j图数据库的下载、安装和配置 1、下载，建议从官网下载社区版本 ftp://neo4j.55555.io/neo4j/3.5.12/neo4j-community 9、neo4j的几个命令 neo4j install-service neo4j start neo4j stop neo4j restart neo4j status 10、部分问题和困扰 问题1、好像 http://127.0.0.1:7474/browser/，否则无法正常连接neo4j数据库 二、关于neo4j图数据库的一些粗浅认识 A graph database can store any kind ，也可以以机房机柜角度查看，当然这只是初衷，也许会随着对图数据库的知识的认识深度变化而变化。 py2neo使用 neo4j是个图数据库，所有的数据库都要通过语言去访问，一个封闭的系统是没有意义的，在python里也提供了基于neo4j的package，不过使用最广的还是py2neo，提供对图库的连接和增删改查操作
2.3K20发布于 2019-11-28 - 来自专栏AI科技评论
今日 Paper | 4D关联图；通用表征学习；元转移学习；无偏场景图生成等
目录 使用多个摄像机的实时多人运动捕捉的4D关联图 放大学习：将深度立体匹配网络泛化到新颖场景 面向深度人脸识别的通用表征学习 用于零样本超分辨率的元转移学习 基于有偏训练的无偏场景图生成 使用多个摄像机的实时多人运动捕捉的4D关联图 论文名称：4D Association Graph for Realtime Multi-person Motion Capture Using Multiple 关联图，该图可以同时平等地处理每个维度（图像空间、视点和时间）。 为有效求解4D关联图，这篇论文进一步提出基于启发式搜索的4D肢束解析思想，然后通过提出束Kruskal算法对肢束进行组合。 这篇论文提出用于零样本超分辨率的元转移学习。
87830发布于 2020-03-11 - 来自专栏网络收集
图表4 饼图
4、图表4 饼图1.饼图的实现步骤步骤1 ECharts 最基本的代码结构<! 步骤3 准备配置项 在 series 下设置 type:pievar option = { series: [{ type: 'pie', data: pieData }]}图片注意:饼图的数据是由 name 和 value 组成的字典所形成的数组饼图无须配置 xAxis 和 yAxis2.饼图的常见效果显示数值label.show : 显示文字label.formatter : 格式化文字var return arg.data.name + '平台' + arg.data.value + '元\n' + arg.percent + '%' } } }]}南丁格尔图南丁格尔图指的是每一个扇形的半径随着数据的大小而不同
1.2K10编辑于 2022-06-16 - 来自专栏AiCharm
深度学习相关概念：4.计算图与反向传播
在深度学习分类问题中，反向传播是一个重要的环节，它决定着模型是否能被训练，反向传播相当于一个负反馈，当一件事做完之后，会寻找当前事件做的不好的问题，进行回传，当下次在做的时候，进行优化。 计算图 在了解反向传播之前，我们必须首先明白什么是计算图，当只有构成计算图时，数据才能通过反向传播进行更新。 计算图是一种有向图，它用来表达输入、输出以及中间变量之间的计算关系，图中的每个节点对应着一种数学运算。 在我的这个计算过程中，这点就不用分解成多处的分解成多次的这种局部门的计算，我可以直接用这一个公式就可以算到这个到这个点的梯度了，这样的好处就是计算效果快，所以在很多这个学习框架里面可以用的就是这样的，他的梯度可以推断是比较快的 这就是计算图的颗粒度问题，计算块颗粒度小，计算慢；但颗粒度越大，你就要自己写求导函数，这就是计算图的颗粒度，它跟效率有关系。
99110编辑于 2023-05-15 - 来自专栏IT大咖说
非常全的Web开发学习总结（4张高清大图）
阅读字数：588 | 5分钟阅读 摘要 这是一个国外大牛总结的 2018 年成为 Web 开发人员的学习路线图。 大图地址：https://github.com/goodjack/developer-roadmap-chinese （也可点末尾阅读原文前往） 0、介绍 ? 1、前端技术 ? 2、后端技术 ? 再次提醒：大图地址，https://github.com/goodjack/developer-roadmap-chinese （也可以点尾部阅读原文前往） 以上为今天的分享内容，谢谢大家！
53140发布于 2018-12-29 - 来自专栏自然语言处理
图与图学习（下）
例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。 需要注意的是，图神经网络的研究与图嵌入（对图嵌入不了解的读者可以参考这篇文章《图嵌入综述》）或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。 许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。 4. 图生成网络（Graph Generative Networks） 图生成网络的目标是在给定一组观察到的图的情况下生成新的图。图生成网络的许多方法都是特定于领域的。 4. 生物化学（Chemistry） 在化学中，研究人员应用图神经网络研究分子的图结构。在分子图中，原子为图中的节点，化学键为图中的边。
99230发布于 2021-03-23 - 来自专栏网络收集
图表4 饼图（2）
type: 'pie', data: pieData, selectedMode: 'multiple', // selectedOffset: 30 }]}图片圆环radius饼图的半径 ：数组的第一项是内半径，第二项是外半径, 通过 Array , 可以将饼图设置为圆环图var option = { series: [{ type: 'pie', data: pieData , radius: ['50%', '70%'] }]}图片3.饼图的特点饼图可以很好地帮助用户快速了解不同分类的数据的占比情况
76410编辑于 2022-06-16 - 来自专栏自然语言处理
图与图学习（中）
在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。 在接下来的前置教程下篇中，我们将会学习图机器学习。 本案例将包含以下内容： 一. 图机器学习 图学习的主要任务 图学习中包含三种主要的任务： 链接预测（Link prediction） 节点标记预测（Node labeling） 图嵌入（Graph Embedding） ---- 链接预测 这相当于监督学习中的train/test的划分。 然后，我们评估密集图的正确预测的比例，或者使用稀疏图的标准曲线下的面积(AUC)。 到目前为止，我们所看到的图的一个局限性是没有向量特征。但是，我们可以学习图的嵌入！ ，链接预测和图嵌入的图学习技术。
1.6K10发布于 2021-03-17 - 来自专栏全栈程序员必看
UE4导入高度图
UE4导入高度图 查找高度图 使用ps编辑图片 打开虚幻引擎的地形编辑器 查找高度图 可以从百度直接搜索 使用ps编辑图片 下载下来之后图片是jpg格式的，虚幻引擎不能直接用 需要使用ps编辑一下
1.7K10编辑于 2022-09-01 - 来自专栏机器学习/数据可视化
pyecharts-4-绘制桑葚图
pyecharts-4-绘制桑葚图 本文中介绍的是如何利用Pyecharts绘制桑葚图，包含： 什么是桑葚图 官网demo，理解数据含义 模拟数据及生成对应的数据 实际效果展示 ? 桑葚图 桑基图是可视化图表的一种，一般用来表示数据流量。 桑基图（Sankey diagram），即桑基能量分流图，也叫桑基能量平衡图。 {"name": "category1"}, {"name": "category2"}, {"name": "category3"}, {"name": "category4" ": "category2", "target": "category3", "value": 15}, {"source": "category3", "target": "category4" 先从总费这个父类用到服装等4个子类 再从服装（服装为例）这个类从自己的3个子类 最终得到右侧的父类+子类+数据这样的完整数据 json数据 Nodes数据 节点去重的时候可能子类节点+父类节点还要再次去重
2.2K21发布于 2021-03-01 AI4S图机器学习：DGL消息传递接口的PyG替换
背景介绍DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库，它们在API设计和底层实现上有一定差异，在不同场景下，研究人员会使用不同的依赖库 ，部分加速卡对PyG图机器学习库的支持亲和度更高，因此有些时候需要做DGL接口的PyG替换。 其架构基于图神经网络，通过SE(3)等变性实现对三维旋转和平移的不变性特征提取。本系列以RFDiffusion模型中的SE3Transformer为例，讲解如何将DGL中的接口替换为PyG实现。 equivariant_attention/modules.py 中的 TransformerLayer 输入: 节点特征: x , 形状为(N, F) 边特征: edge_attr , 形状为(E, F') 图结构 modules.py 中的 AttentionBlockSE3 输入:标量特征: feat_scalar , 形状为(N, F_s) 矢量特征: feat_vector , 形状为(N, F_v, 3) 图结构
24300编辑于 2025-06-16- 来自专栏机器之心
图论与图学习（二）：图算法
Neo4J）支持的图算法类别主要有三个： Pathfinding（寻路）：根据可用性和质量等条件确定最优路径。 我们将在第三篇文章中介绍图中的机器学习和图学习。 使用 Louvain 对空手道图执行的最佳划分 4. 强互连的组分 强互连的组分（Strongly Connected Components /SCC）算法能找到有向图中的互连节点的分组。 下一篇文章我们将介绍图学习，这能提供预测图中节点和边的方法，从而处理缺失值或预测新的关系。 扩展阅读： Neo4j 的图算法全面指南，Mark Needham & Amy E. Hodler：https://go.neo4j.com/rs/710-RRC-335/images/Comprehensive-Guide-to-Graph-Algorithms-in-Neo4j-ebook-EN-US.pdf
4.6K22发布于 2019-08-06 - 来自专栏雪胖纸的玩蛇日常
Vue学习（4）
/audio/3.mp3",name:"113",author:"311111"}, {id:4,src:". /audio/4.mp3",name:"114",author:"411111"} ]; var music=new Vue({ el:'#music /audio/3.mp3",name:"113",author:"311111"}, {id:4,src:". /audio/4.mp3",name:"114",author:"411111"} ]; var music=new Vue({ el:'#music 创建组件 1.cd 到当前目录下 2.vue init webpack-simple 项目名 3.接下来根据提示操作 4.cd 项目名 5.npm install 6.npm run dev 7.只关心
57820发布于 2018-08-16 - 来自专栏c++与qt学习
Qt学习-------4
Qt学习------4 信号和槽（1） connect(信号发送者，发送的具体信号，信号接收者，信号的处理（槽）) 信号和槽的优点：松散耦合，信号发送端和信号接收端本身没有关系，通过connect链接将两端耦合在一起 //需求 点击关闭程序按钮，关闭窗口 //参数1 信号发送者-->按钮（传入地址） 参数2 发送的信号--->点击按钮（函数的地址） 参数3 信号的接收者-->窗口 参数4
38130发布于 2021-02-22 - 来自专栏DrugOne
图对比学习 | 结合图的结构信息和节点特征的图对比学习
最近，对比学习（CL）已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充，得到两个视图，并使两个视图的表示一致性最大化。 尽管图CL方法得到了长足的发展，但图增广方案（CL中的关键组成部分）的设计仍然很少被探索。 本文认为，数据扩充方案应保留图的内在固有结构和属性信息，这使得模型对不重要的节点和边的扰动不敏感。 在本文中，作者提出了一种新的具有自适应增强的图对比表示学习方法，该方法结合了图的拓扑和语义方面的各种先验。 具体来说，在拓扑级别，本文基于节点中心性度量设计增强以突出重要的连接结构。 实验表明，提出的方法始终优于现有的最新方法，甚至超过了一些监督学习的对应方法，这证明了采用自适应增强的对比框架的有效性。 ?
2.9K70发布于 2021-02-02 - 来自专栏搜狗测试
软件框架图——C4模型
框架图：系统框架图是为了抽象的表示软件系统的整体轮廓和各个组件之间的相互关系和约束边界，以及软件系统的物理部署和软件系统的演进方向的整体视图。 3. 框架图作用：解决沟通障碍、达成共识、减少歧义。 方法 在这里给大家介绍的框架图就是利用C4模型进行绘制的，C4 代表上下文（Context）、容器（Container）、组件（Component）和代码（Code）——一系列分层的图表，可以用这些图表来描述不同缩放级别的软件架构 要为你的代码创建框架图，首先需要一组通用的抽象来创建一种无处不在的语言，用来描述软件系统的静态结构。C4 模型使用容器（应用程序、数据存储、微服务等）、组件和代码来描述一个软件系统的静态结构。 其用途有： a.描述了系统由哪些组件/服务组成 b.厘清了组件之间的关系和依赖 c.为软件开发如何分解交付提供了框架 4. 代码（Code） ? 它表明该组件由很多类组成，实现细节直接反映了代码。 结语 利用C4模型进行框架图绘制，可以通过抽丝剥茧的方式将整个框架一层一层的分离，不仅使得作图之人有的放矢，同时也使得看图之人理解的更加清晰。
7.3K30发布于 2019-09-08 - 来自专栏自然语言处理
图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 图是什么？ 二. 如何存储图？ 三. 图的类型和性质 四. 主要的图算法 五. 图机器学习的发展 一. 图是什么？ 存储图的方式有三种，取决于你想用它做什么： 存储为边列表： 1 2 1 3 1 4 2 3 3 4 ... 参考资料，以及更多图论经典算法 图论与图学习（一）：图的基本概念 图论与图学习（二）：图算法 github.com/maelfabien/Graph_Analysis.ipynb aistudio版本Graph_Analysis 图机器学习的发展 将在PGL系列前置教程：图与图学习（下）展示。
3.7K32发布于 2021-01-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号