- 综合排序
- 最热优先
- 最新优先
- 来自专栏个人总结系列
图计算Dgraph系列2-Schema操作
<artifactId>dgraph4j</artifactId> <version>20.03.0</version> </dependency> 2. Operation.newBuilder().setSchema(schema).build(); dgraphClient.alter(operation); image.png 2. ).build(); dgraphClient.alter(operation); image.png //如果Predicates 的boos_of删除，Person还是字段显示为2， ctx := context.Background() err := client.Alter(ctx, &api.Operation{Schema: schema}) return err } 2.
1.3K00发布于 2020-11-14 - 来自专栏NebulaGraph 技术文章
图计算 on nLive：Nebula 的图计算实践
如上图，红色框所示：1 的 offset 是 0~2，但不包括 2，对应的邻居就是 2 和 5。 [图计算 on nLive：Nebula 的图计算实践] 取节点 2 的邻居，节点 2 的邻居是范围是 2~6，这样对应的邻居就是 1、3、4、5，这就是 CSR。 下面来举个例子加速理解： [图计算 on nLive：Nebula 的图计算实践] 上图黄色和粉色是 2 个不同的 partition 分区。 Nebula 图计算 [图计算 on nLive：Nebula 的图计算实践] 目前 Nebula 图计算集成了两种不同图计算框架，共有 2 款产品：nebula-algorithm 和 nebula-plato 郝彤：因为不同的图计算系统设计不同，内存使用量也就不一样。即便是同一个图计算系统，不同的算法对于内存的需求也存在些差异，可以先通过 2、3 种不同数据进行测试，以便评估出最佳的资源配置。
2.3K40编辑于 2022-02-22 - 来自专栏Python与算法之美
动态计算图
Pytorch底层最核心的概念是张量，动态计算图以及自动微分。 本节我们将介绍 Pytorch的动态计算图。 包括： 动态计算图简介 计算图中的Function 计算图和反向传播 叶子节点和非叶子节点 计算图在TensorBoard中的可视化 一，动态计算图简介 ? 第一层含义是：计算图的正向传播是立即执行的。无需等待完整的计算图创建完毕，每条语句都会在计算图中动态添加节点和边，并立即执行正向传播得到计算结果。 第二层含义是：计算图在反向传播后立即销毁。 下次调用需要重新构建计算图。 计算图在反向传播后立即销毁。
2.5K30发布于 2020-07-20 - 来自专栏JusterZhu
图（2）
图的深度优先遍历 所谓图的遍历，及时对节点的访问。一个图有很多节点，如何遍历这些节点需要特定策略。 一般有两种访问策略： （1）深度优先遍历 （2）广度优先遍历 1.图的深度优先搜索（Depth First Search）DFS （1）深度优先遍历，从初始访问节点出发，初始访问节点可能有多个邻接点，深度优先遍历的策略就是首先访问第一个邻接点 例如：v1作为第一个初始访问节点，再假设的下一个节点是v2 那么就是 v1 -> v2。如果需要继续往下访问邻接点，则从v2开始作为初始节点继续往下找到v3，而并非重新回到v1。 顶点个数 int n = 5; string[] vertexs = { "A", "B", "C", "D", "E" }; //创建图对象 图的广度优先搜索（Broad First Search）BFS 类似于一个分层搜索的过程，广度优先遍历需要使用一个队列保持访问过的节点顺序，以便按这个顺序来访问这些节点的邻接节点。
25110编辑于 2022-12-07 - 来自专栏GiantPandaCV
回炉重造：计算图
如图，一个(2x3)的矩阵「W」和一个(3x2)的矩阵「X」运算出来的结果Y1是(2x2) 那么Y可以被表示为 那后续还有一系列相关操作，比如我们可以假设 这一系列运算，都是我们拿输入X一层，一层的前向计算 有的，那就是我们需要说的计算图 计算图 我们借用「图」的结构就能很好的表示整个前向和后向的过程。形式如下 ? 我们再来看一个更具体的例子 ? （这幅图摘自Paddle教程。 白色是卷积核每次移动覆盖的区域，而蓝色区块，则是与权重W1经过计算的位置 可以看到W1分别和1, 2, 5, 6这四个数字进行计算 我们最后标准化一下 这就是权重W1对应的梯度，以此类推，我们可以得到 静态图 在tf1时代，其运行机制是静态图，也就是「符号式编程」，tensorflow也是按照上面计算图的思想，把整个运算逻辑抽象成一张「数据流图」 ? 在静态图里我们可以优化到同一层级，乘法和加法同时做到 总结 这篇文章讲解了计算图的提出，框架内部常见算子的反向传播方法，以及动静态图的主要区别。
3.3K20发布于 2020-08-10 - 来自专栏技术成长
图的排序计算和传播计算
图片图的排序计算一种流行的拓扑排序算法是Kahn算法，具体步骤如下：统计每个顶点的入度（即有多少个顶点指向该顶点）。将入度为0的顶点加入到一个队列中。 处理有环图的拓扑排序问题：如果一个图存在环，那么无法进行拓扑排序。在Kahn算法中，如果最后还存在入度不为0的顶点，那么说明图中存在环。 Markdown格式输出结果：拓扑排序的结果为：顶点1 -> 顶点2 -> 顶点3 -> ... -> 顶点n图中存在环。图的传播计算一种常见的图传播模型是SIR模型，该模型描述了病毒传播的过程。 预测信息在网络中的传播路径可以基于以下的图算法：广度优先搜索 (BFS)：该算法从某个指定的节点出发，在图中逐级扩展搜索，以找到特定节点或满足特定条件的节点。 DFS通常比BFS更适用于探索图的整个结构，而不仅仅是在最短路径上进行搜索。PageRank算法：PageRank算法是一种将节点排名按照重要性进行排序的算法。
84861编辑于 2023-10-29 - 来自专栏技术成长
图的社区计算和嵌入计算
图片图的社区计算社区发现是指在一个图中，将节点分割成若干个互不相交的子集，使得子集内节点之间的连接更加密集，而子集之间的连接较为稀疏。 计算加入后的总模度增益，如果增益为正，则将节点加入社区；否则不加入。重复步骤4，直到所有节点都尝试加入相邻社区。将每个社区合并为一个节点，构建新的图。重复步骤2至步骤6，直到不能再有节点加入社区为止。 以上是一种用于发现社区的算法，但并不是唯一的方法，还有许多其他的社区发现算法可以应用于不同的情况和图结构。图的嵌入计算图嵌入是将一个图映射到低维空间中的过程。 MDS可以用于对图的邻接矩阵计算节点的向量表示。局部线性嵌入（LLE）：LLE是一种非线性降维方法，它通过将每个节点表示为其邻居节点的线性组合的方式来进行降维。 图注意力网络（GAT）：GAT是一种使用注意力机制的图嵌入方法，它能够自适应地学习每个节点与其邻居节点之间的关系。GAT可以通过多层注意力操作来计算节点的向量表示。
93792编辑于 2023-10-30 - 来自专栏算法channel
BAT面试题2：请简要介绍下Tensorflow的计算图
今天BAT系列 第二题 请简要介绍下Tensorflow的计算图 ? 的计算流图就可以构建为下面这个样子，圆形节点代表tensor间执行的操作： ? ("Add:0", shape=(), dtype=int32) 这就验证了之前所说，计算图和执行计算图做了严格的分离，所以此时打印得不到a值。 创建session，并在当前的sess中执行构建的图得到a的值。 1with tf.Session() as sess: 2 print(sess.run(a)) ? 记住：计算图只是定义了operations，operations只有在session里面执行才能真正得到计算图的结果。
5.1K20发布于 2018-10-23 - 来自专栏TechBlog
PyTorch: 计算图与动态图机制
文章目录 计算图 PyTorch的动态图机制 计算图 计算图是用来描述运算的有向无环图 计算图有两个主要元素： 结点 Node 边 Edge 结点表示数据：如向量，矩阵，张量 边表示运算：如加减乘除卷积等 用计算图表示：y = (x+ w) * (w+1) a = x + w b = w + 1 y = a * b 计算图与梯度求导 y = (x+ w) * (w+1) a = x + w partial y}{\partial b} \frac{\partial b}{\partial w} \\ &=b * 1+a * 1 \\ &=b+a \\ &=(w+1)+(x+w) \\ &=2 * w+x+1 \\ &=2 * 1+2+1=5 \end{aligned} 可见，对于变量w的求导过程就是寻找它在计算图中的所有路径的求导之和。 根据计算图搭建方式，可将计算图分为动态图和静态图 动态图 运算与搭建同时进行 灵活 易调节 例如动态图 PyTorch： 静态 先搭建图， 后运算 高效 不灵活。
2.9K10编辑于 2022-11-13 - 来自专栏技术成长
图的度计算和相似度计算
图片图的度计算对于一个无向图，节点的度数表示该节点连接的边的数量。 可以通过以下公式计算某个节点的度数：度数 = 与节点相连的边的数量对于一个有向图，节点的出度表示从该节点出发的边的数量，入度表示指向该节点的边的数量。 可以通过以下公式计算某个节点的出度和入度：出度 = 从节点出发的边的数量入度 = 指向节点的边的数量图的相似度计算一种用于计算节点相似度的算法是节点结构相似度算法。 计算节点i的邻居节点与节点j的邻居节点的交集大小，记为A。计算节点i的邻居节点与节点j的邻居节点的并集大小，记为B。计算节点j的邻居节点与节点i的邻居节点的交集大小，记为C。 相似度 = (A + C) / B = (2 + 2) / 4 = 1。因此，节点i和节点j的相似度为1。使用Markdown格式输出结果：节点i与节点j的相似度为1。
1.7K61编辑于 2023-10-29 - 来自专栏AI系统
AI框架跟计算图什么关系？PyTorch如何表达计算图？
本节将会以AI概念落地的时候，遇到的一些问题与挑战，因此引出了计算图的概念来对神经网络模型进行统一抽象。接着展开什么是计算，计算图的基本构成来深入了解诶计算图。 因此派生出了目前主流的深度学习框架都选择使用计算图来抽象神经网络计算。图片计算图的定义我们会经常遇到有些 AI 框架把统一的图描述称为数据流图，有些称为计算图，这里可以统称为计算图。 下面以公式为例：$$ f(x1,x2)=ln(x1)+x1x2−sin(x2) $$对上述公式转换为对应的计算图。 在 AI 框架中会稍微有点不同，其计算图的基本组成有两个主要的元素：1）基本数据结构张量和2）基本计算单元算子。节点代表 Operator 具体的计算操作（即算子），边代表 Tensor 张量。 在这里的计算图其实忽略了2个细节，特殊的操作：如：程序代码中的 For/While 等构建控制流；和特殊的边：如：控制边表示节点间依赖。
1.7K30编辑于 2023-07-23 - 来自专栏腾讯技术工程官方号的专栏
娓娓道来图模型、图查询、图计算和图学习知识
2 图查询 图查询包括单点的多阶邻居查询、两点间的关联路径查询以及获取多点间关联的子图查询。 实践中，图的多阶查询效率比传统关系型系统的join操作在性能上高出2~3个数量级。 近邻分布多阶邻居查询也用来获取近邻分布，进而更精准地刻画用户自身特定属性。 感兴趣的读者也可以去阅读其发表在VLDB 2011的关于子图匹配处理SPARQL查询的文章 [2] https://dl.acm.org/doi/pdf/10.14778/2002974.2002976 对于计算和资源均密集的图计算任务，如果直接计算精确的结果，对应的算法复杂度容易达到O(N^2) 甚至更高，在大规模图上计算的执行时间不可承受。 自2010年谷歌首次提出点中心编程框架Pregel（开源对应Giraph系统）之后，GraphLab通过共享内存将Pregel的性能提升了2~3倍，PowerGraph随后基于图的幂率分布进行优化并提出
4.2K33发布于 2021-01-26 - 来自专栏进击的Coder
计算图演算：反向传播
计算图 谈及计算，有人可能又要为烦人的计算公式头疼了，所以本文用了一种思考数学表达式的轻松方法——计算图。以非常简单的e=(a+b)×(b+1)为例，从计算角度看它一共有3步操作：两次求和和一次乘积。 如，我们设a=2，b=1： ? 可以得到e=(a+b)×(b+1)=6。 计算图上的导数 如果要理解计算图上的导数，一个关键在于我们如何理解每一条带箭头的线（下称“边”）上的导数。 为了计算图中的偏导数，我们先来复习这两个求和规则和乘积规则： ? 已知a=2，b=1，那么相应的计算图就是： ? 如果我们以速率为1的速度变化输入a，那么根据偏导数可知，函数c的变化速率也是1，已知e相对于c的偏导数是2，那么同样的，e相对a的变化速率也是2。 虽然你以前可能没想过从计算图的角度来进行理解，但这样一看，其实前向模式求导和我们刚开始学微积分时接触的内容差不多。 另一方面，反向模式求导则是从计算图的最后开始，到输入结束。
2K21发布于 2019-09-04 - 来自专栏AI科技大本营的专栏
TensorFlow中的计算图
计算图表现为有向无环图，定义了数据的流转方式，数据的计算方式，以及各种计算之间的相互依赖关系等。 2 计算图的基本组成 TensorFlow的计算图粒度比较细，由节点和有向边组成（后来也加入了层）。相比之下，腾讯的开源机器学习平台Angel，其计算图的粒度较粗，由层（Layer）组成。 3 计算图的运行 TensorFlow中可以定义多个计算图，不同计算图上的张量和运算相互独立，因此每一个计算图都是一个独立的计算逻辑。 一个Session可以运行多个计算图，一个计算图也可以在多个Session中运行。 重复（2）和（3），直至可执行队列为空。 对于步骤（3）来说，可执行队列中的节点在资源允许的情况下，是可以并行执行。TensorFlow有灵活的硬件调度机制，来高效利用资源。
2.7K10发布于 2019-10-13 - 来自专栏人工智能
随机计算图：连续案例
所有这些情况都会将您的计算图变成一个随机的 - 先前的确定性节点现在变成随机的。 如何通过这些节点进行反向传播并不明显。 在这个系列中，我想概述可能的方法。 考虑大致的推理目标： [图片] 或强化学习目标： [图片] 在下面，我将使用以下符号为目标： [图片] 在这种情况下，（随机）计算图（SCG）可以用下面的形式表示[1]: [图片] 这里的 θ，双圈是一组可调参数 为了使用这样的图来估计F(θ)，你只需要用你的θ，计算x的分布，从中得到尽可能多的样本，为每个样本计算f(x)，然后对它们进行平均。 我们如何最大限度地提高呢？ 基本上，这个想法是这样的：如果一些随机变量可以被分解成其他随机变量的组合，那么我们能够转换我们的随机计算图，使得我们不需要通过随机反向传播，并且将随机性注入到模型中作为独立 噪声？ [p3.png] Gen Rep 1是一个广义的重新参数化，只有第一时刻变成白色， Gen Rep 2 - 只有第二个 仿真图清楚地表明，基于分数函数的梯度和第一次广义的重新参数化不能收敛，这与我们的方差分析是一致的
2K00发布于 2017-12-19 - 来自专栏Python与算法之美
三种计算图
Tensorflow底层最核心的概念是张量，计算图以及自动微分。 本篇我们介绍计算图。 有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph. 在TensorFlow1.0时代，采用的是静态计算图，需要先使用TensorFlow的各种算子创建计算图，然后再开启一个会话Session，显式执行计算图。 二，静态计算图 在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图。 TensorFlow1.0静态计算图范例 ? 在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图。 而动态计算图已经不区分计算图的定义和执行了，而是定义后立即执行。 在TensorFlow1.0中，使用计算图分两步，第一步定义计算图，第二步在会话中执行计算图。
2.1K20发布于 2020-07-20 - 来自专栏Python与算法之美
TensorFlow基础：创建计算图
本节介绍TensorFlow与创建计算图的几个函数： g = tf.Graph() #创建新的计算图g g.as_default() #将计算图g设置为当前使用的计算图 g0 = tf.get_default_graph () # 获取默认的计算图 tf.reset_default_graph() #清空默认的计算图 示范1： import tensorflow as tf # 初始化一个计算图对象g 示范2： import tensorflow as tf #获取默认的计算图对象句柄g0 g0 = tf.get_default_graph() #在g0中添加节点定义计算图 with g0.as_default 示范3： import tensorflow as tf #清空默认的计算图 tf.reset_default_graph() # 直接用Operator定义的节点将添加到默认计算图中 a = tf.constant 推荐使用示范1的方式定义计算图，不用每次都 tf.reset_default_graph()。
1.8K10发布于 2020-07-20 - 来自专栏王的机器
张量求导和计算图
怎样有效的计算它们？ 解决问题 1 需要了解张量求导 (第一节)，解决问题 2 需要了解计算图(第二节)。要理解张量请参考《张量 101》。 2 计算图 2.1 数学符号 以下数学符号务必认真看！惯例是用小括号 (i) 上标表示第 i 个数据，用中括号 [L] 上标表示神经网络的第 L 层。 ? 本节只用两层神经网络来说明一些核心问题，比如正向传播、反向传播、计算图等等。 计算图就是将计算形式化图形的方法，由输入结点、输出结点、函数 (从输入到输出的) 三部分组成。 每个一节点来表示一个变量，可以是标量、向量、矩阵或张量。 计算图的实例如下： ? 上图中 x, w[1], b[1], w[2], b[2], y 是输入节点，l 是输出节点，它们都是标量。
3.4K41发布于 2019-07-05 - 来自专栏AI系统
【AI系统】计算图原理
本文将会以 AI 概念落地的时候，遇到的一些问题与挑战，因此引出了计算图的概念来对神经网络模型进行统一抽象。接着展开什么是计算，计算图的基本构成来深入了解诶计算图。 因此派生出了目前主流的 AI 框架都选择使用计算图来抽象神经网络计算。计算图的定义我们会经常遇到有些 AI 框架把统一的图描述称为数据流图，有些称为计算图，这里可以统称为计算图。 在 AI 框架中会稍微有点不同，其计算图的基本组成有两个主要的元素：1）基本数据结构张量和 2）基本计算单元算子。节点代表 Operator 具体的计算操作（即算子），边代表 Tensor 张量。 在这里的计算图其实忽略了 2 个细节，特殊的操作：如：程序代码中的 For/While 等构建控制流；和特殊的边：如：控制边表示节点间依赖。 PyTorch 计算图动态计算图在 Pytorch 的计算图中，同样由节点和边组成，节点表示张量或者函数，边表示张量和函数之间的依赖关系。其中 Pytorch 中的计算图是动态图。
67210编辑于 2024-12-06 - 来自专栏技术成长
图计算与图数据库的概念
图片图计算和图数据库的概念图计算图计算是一种针对图数据进行分析和计算的方法。图数据由节点和边构成，节点代表实体或对象，边代表节点之间的关系或连接。 图计算可以应用于多个领域，如社交网络分析、生物网络分析、推荐系统等。在图计算中，一般会使用图模型来表示数据，图模型使用图的形式来表示实体间的关系，并使用图算法对图进行分析。 图算法可以用于查询、聚类、关联分析、路径搜索等任务，常见的图算法包括最短路径算法、PageRank算法、社区发现算法等。图计算通常需要处理大规模的图数据，因此需要高效的计算引擎来支持大规模的并行计算。 传统的图计算和图数据库技术在处理大规模图数据时面临存储、计算和通信等方面的挑战。高性能计算挑战：由于图数据的特点，如高度联通性和复杂的结构，需要开发具有高性能并行计算能力的算法和技术。 图计算需要进行大量的迭代计算和消息传递，同时还要考虑负载均衡和容错等问题，以实现高效的计算。灵活查询挑战：实际应用中，对图数据的查询和分析通常是复杂和灵活的。
1.2K61编辑于 2023-10-24
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