- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术向
Freeze graph: node is not in graph
本文由腾讯云+社区自动同步，原文地址 http://blogtest.stackoverflow.club/no-node-in-graph/ Freeze graph: node is not in graph (even though it’s been named) Though you have named a tensor, but it won’t just accept the given
1.1K10发布于 2019-11-20 - 来自专栏计算机视觉理论及其实现
tf.graph_util.import_graph_def
Imports the graph from graph_def into the current default Graph. (deprecated arguments)Aliases:tf.compat.v1.graph_util.import_graph_deftf.compat.v1.import_graph_deftf.compat.v2 .graph_util.import_graph_deftf.compat.v2.import_graph_deftf.import_graph_deftf.graph_util.import_graph_def See tf.Graph.as_graph_def for a way to create a GraphDef proto.Args:graph_def: A GraphDef proto containing ) in graph_def to Tensor objects.
1.4K10编辑于 2022-09-03 - 来自专栏PM吃瓜(公众号)
dependency graph
Process: Break down your requirements to user stories (vertical slices through your tech stack that DELIVER VALUE TO YOUR USERS) and add these to your board. Find out which ones have dependencies outside your team/project. Use pins and string to draw a lin
58010编辑于 2023-03-02 - 来自专栏图神经网络
【知识】Graph Sparsification、Graph Coarsening、Graph Condensation的详细介绍和对比
理论基础（Definitions & Theoretical Background） 图稀疏化（Graph Sparsification）：图稀疏化指从原图中选取一部分边（或节点）构成一个稀疏的子图，用较少的边近似原图 图粗化（Graph Coarsening）：图粗化通过将原图中的一些节点聚合/合并成“超节点”（super-nodes），从而构建更小的粗粒度图。 图凝聚（Graph Condensation）：图凝聚是近年提出的新兴概念，受数据集蒸馏/浓缩（dataset distillation）的启发，将大规模图**“浓缩”成一个小规模的合成图（synthetic graph）。 代表工作如近期的KID框架，将GNN训练近似表示为**图核（Graph Kernel）**上的岭回归问题，通过选取图神经切核（GNTK）来刻画模型特征映射，使问题转化为核矩阵匹配。
77310编辑于 2025-04-09 - 来自专栏时空探索之旅
WWW 2026 | LLM×Graph论文总结【LLM4Graph & Graph4LLM】
笔者将LLM和Graph结合的工作分为两大类，一类是LLM4Graph，即LLM做图任务。 其中细分了：文本属性图（Text-attributed Graph, TAG）,知识图谱（KG），图基础模型（GFM）。另外一类是利用Graph4LLM，即利用图这种格式来增强LLM的能力。 LLM4Graph1. A Graph Foundation Model for Unified Anomaly Detection2. Disentangled Graph LLM for Molecule Graph Editing under Distribution Shifts4. MemoTime: Memory-Augmented Temporal Knowledge Graph Enhanced Large Language Model Reasoning 1 A Graph
11810编辑于 2026-03-10 - 来自专栏智能生信
Graph Embedding
主要思想 用一个低维、稠密的向量来表示一个图 (Graph) 中的各个节点 (node)。实现上，DeepWalk，LINE，node2vec都是参考word2vec的。 在图中，节点之间的连接表达了一种固定的显式关系，理论上word2vec的CBOW和Skip-gram都能迁移到Graph中，不过在Graph中比较之前流行的还是用一个节点 (相当于word2vec中的 但是由于边的有向/无向以及边的权重使得graph embedding与word embedding的算法上又有了很大的不同。 那么自然地，不同的graph embedding方法的一个主要区别是对图中顶点之间的相似度的定义（与边的方向以及权重有关）不同，这一点就不难理解。 算法 ? img node2vec node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。
1.6K00发布于 2021-02-04 - 来自专栏时空探索之旅
ICLR 2026 | LLM×Graph论文总结【LLM4Graph与Graph4LLM】
观察：LLM Graph统计值 最大均分 均值 最小均分 6 5.21 4 其中均分≥6的有4篇，其中。 笔者将LLM和Graph结合的工作分为两大类，一类是LLM4Graph，即LLM做图任务。 另外一类是利用Graph4LLM，即利用图结构来增强LLM的能力。 LLM4Graph & TAG1. id=CEJl0gN2gj 关键词：Graph Robustness, Graph Adversarial Attack, Text Attributed Graph, Large Language Model LLM4Graph & GFM 10 [oral] Multi-Domain Transferable Graph Gluing for Building Graph Foundation Models id=G3uNHQpP7J 关键词：Multi-domain graph pre-training, graph neural network, graph foundation model, Riemannian
11210编辑于 2026-03-10 - 来自专栏webpack@4.46.0源码分析
从dependency graph 到 chunk graph
从dependency graph 到 chunk graph 9. 从chunk到最终的文件内容到最后的文件输出？ 10. webpack中涉及了哪些设计模式呢？ 后面初步聚合的工作的主要依据就是上面的dependecy graph. 初步聚合： dependency graph -> chunk graph 总共三个模块，这里的入口只有一个，即webpack.config.js中配置的entry: src/simple/main.js 清理：对于脱离了chunk graph的节点（chunkGroup）被清理掉。 变量声明和初始化 // Iterative traversal of the Module graph // Recursive would be simpler to write
1K20编辑于 2022-11-23 - 来自专栏Dechin的专栏
MindSpore Graph Learning
技术背景 MindSpore Graph Learning是一个基于MindSpore的高效易用的图学习框架。 得益于MindSpore的图算融合能力，MindSpore Graph Learning能够针对图模型特有的执行模式进行编译优化，帮助开发者缩短训练时间。 MindSpore Graph Learning 还创新提出了以点为中心编程范式，提供更原生的图神经网络表达方式，并内置覆盖了大部分应用场景的模型，使开发者能够轻松搭建图神经网络。 g.src_vertex] ...: In [11]: ret = TestSetVertexAttr()(node_feat[src_idx], node_feat[dst_idx], *graph_field.get_graph in v.innbs]) for v in g.dst_vertex] ret = GraphConvCell()(node_feat[src_idx], node_feat[dst_idx], *graph_field.get_graph
83320编辑于 2022-11-21 - 来自专栏运维开发王义杰
jmeter Graph Results
"Graph Results" 是 JMeter 中的一个监听器，它提供了一种图形化的方式来显示性能测试的结果。 以下是 "Graph Results" 的一些主要特性和它所显示的信息： 样本（Number of Samples）：X轴表示样本序号，即每个单独的请求或测试样本。 通过 "Graph Results"，我们可以直观地看到性能测试的结果，包括每个请求的响应时间，吞吐量，偏差，和中位数。
52720编辑于 2023-08-16 - 来自专栏星汉技术
图（graph） 原
图（graph） 图是非线性数据结构，是一种较线性结构和树结构更为复杂的数据结构，在图结构中数据元素之间的关系可以是任意的，图中任意两个数据元素之间都可能相关。 如果图中的边没有方向性，即每条边都是顶点的无序偶对，称之为无向图（undirected graph）。 ? 设图G=(V,E)和图G'=(V',E')。 3．ADT定义 如下是图的抽象数据类型定义： ADT Graph{ 数据对象D：D是具有相同性质的数据元素的集合。 无向图不支持此操作 }ADT Graph 2、存储结构 从图的逻辑结构定义来看，无法将图中的顶点排列成一个唯一的线性序列。 6、拓扑排序 有向无环图（directed acyclic graph）是指一个无环的有向图，简称DAG。
2.3K20发布于 2019-03-12 - 来自专栏给永远比拿愉快
Leetcode: Clone Graph
Clone an undirected graph. Each node in the graph contains a label and a list of its neighbors. OJ’s undirected graph serialization: Nodes are labeled uniquely. As an example, consider the serialized graph {0,1,2#1,2#2,2}. The graph has a total of three nodes, and therefore contains three parts as separated by #. 参考代码（使用深度优先遍历）： /** * Definition for undirected graph.
70530发布于 2019-01-22 - 来自专栏快乐阿超
relation-graph
git仓库：https://github.com/seeksdream/relation-graph 文档地址：http://relation-graph.com/#/docs/start 在线体验：http ://relation-graph.com/#/demo/layout-center 甚至包含在线配置工具 十分强大
1.1K11编辑于 2022-10-04 pytorch computation graph
什么是 PyTorch 计算图（Computation Graph）在深度学习中，计算图是一个有向图，用于表示 张量操作的依赖关系。 特点：动态计算图（Dynamic Computation Graph）：图在前向计算时即时构建，每次 forward 都是新的图。节点（Node）：表示张量操作（例如加法、乘法、卷积）。 总结计算图（Computation Graph） 是 PyTorch 自动求导的核心机制。PyTorch 使用 动态计算图，灵活、可调试、支持任意控制流。
24610编辑于 2025-08-14- 来自专栏超然的博客
Graph Attention Networks
Graph Attention Networks paper：https://mila.quebec/wp-content/uploads/2018/07/d1ac95b60310f43bb5a0b8024522fbe08fb2a482 分析这些学到的attentional weights有利于可解释性（可能是分析一下模型在分配不同的权重的时候是从哪些角度着手的） attention机制是对于所有edge共享的，不需要依赖graph全局的结构以及所有
1.3K10发布于 2018-10-11 - 来自专栏计算机视觉理论及其实现
tf.Graph
tf.Graph.as_default上下文管理器，在上下文的生命周期内覆盖当前的默认图: g = tf.Graph() with g.as_default(): # Define operations 注意，这与tf.Graph.graph_def_versions无关。 返回: 一个整数版本，随着ops添加到图中而增加。 Using Graph.as_default(): g = tf.Graph() with g.as_default(): c = tf.constant(5.0) assert c.graph 5、as_graph_def as_graph_def( from_version=None, add_shapes=False ) 返回此图形的序列化GraphDef表示。 可能产生的异常： ValueError: If the graph_def would be too large. 6、as_graph_element as_graph_element( obj
2.1K20编辑于 2022-09-04 - 来自专栏运维开发王义杰
jmeter Aggregate Graph
"Aggregate Graph" 是 JMeter 中的一个监听器，它以图形的形式展示了性能测试的汇总结果。 以下是 "Aggregate Graph" 的一些主要特性和它所显示的信息： X轴 - Label：X轴上的标签通常表示每个单独的请求或事务的名称。 你可以在 "Graph display" 设置中选择要显示的性能指标。 平均响应时间：所有请求的响应时间的平均值。 中位数响应时间：所有请求的响应时间的中位数。 通过 "Aggregate Graph"，我们可以直观地看到性能测试的汇总结果，了解不同请求或事务的性能差异，找出可能存在问题的请求或事务，以及监控性能的变化趋势。
45110编辑于 2023-08-16 - 来自专栏linux驱动个人学习
Ftrace function graph简介
这个函数比较重要： 获取ftrace_graph_call这个函数的地址，放到pc这个变量里面 2.通过aarch64_insn_gen_branch_imm 函数，产生一条到ftrace_graph_caller 最终通过ftrace_modify_code来修改ftrace_graph_call原来所在位置的代码（步骤2中产生的跳转指令，这样可以直接跳转到ftrace_graph_caller这个函数） #ifdef CONFIG_FUNCTION_GRAPH_TRACER .global ftrace_graph_call ftrace_graph_call: // ftrace_graph_caller (ftrace_caller) 由于我们在使能function graph的时候在ftrace_enable_ftrace_graph_caller里面把ftrace_graph_call地址所在的nop 指令改成了b ftrace_graph_caller(注意这里面是无返回的跳转，没有保存lr) ENTRY(ftrace_graph_caller) mcount_get_lr_addr x0 //
92420编辑于 2022-09-28 - 来自专栏NebulaGraph 技术文章
Nebula Graph 源码解读系列 ｜ Vol.01 Nebula Graph Overview
[Nebula Graph 源码解读系列 ｜ Vol.01 Nebula Graph Overview] 上篇序言中我们讲述了源码解读系列的由来，在 Nebula Graph Overview 篇中我们将带你了解下 Nebula Graph 的架构以及代码仓分布、代码结构和模块规划。 架构 Nebula Graph 是一个开源的分布式图数据库。Nebula采用存储计算分离的设计，解耦存储与计算。 详细设计参见《图数据库的查询引擎设计》，《初识 Nebula Graph 2.0 Query Engine》。 图数据库内核依赖的第三方包 nebula-gears：Nebula Graph 图数据库内核工具链 nebula-graph-studio：Nebula Graph 可视化工具 3.
94210发布于 2021-09-24 - 来自专栏CSDN搜“看，未来”
(Graph)图，挑着看看
boolean[G.V()]; //搜索G图中与顶点s相同的所有顶点 dfs(G,s); } //使用深度优先搜索找出G图中v顶点的所有相邻顶点 private void dfs(Graph class Graph { int V; // 顶点的个数 list<int> *adj; // 所有顶点的起始指针 }; void topologicalSort(int V, = V) { cout << "There exists a cycle in the graph\n"; return; } for (int 使用u作为中间顶点,更新所有点的距离,选择最小距离的替换 3. dist[u]+graph[u][v] < dist[v] int minDistance(vector<int> dist, set< u] + graph[u][v]; } } } return dist; }
57010发布于 2020-08-26
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