深度学习-图神经网络实战
网盘地址:https://pan.baidu.com/s/1jzT2FNC0AQeAsNdR2mhskg 提取码: d9qu
腾讯微云下载地址:https://share.weiyun.com/cIwhK4al 密码:jdqbey
《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。
课程大纲:
第1章 图神经网络基础
第2章 图卷积GCN模型
第3章 图模型必备神器PyTorch Geometric安装与使用
第4章 使用PyTorch Geometric构建自己的图数据集
第5章 图注意力机制与序列图模型
第6章 图相似度论文解读
第7章 图相似度计算实战
第8章 基于图模型的轨迹估计
第9章 图模型轨迹估计实战
第10章 图神经网络结合时间序列
第11章 图时间序列预测项目实战
第12章 异构图模型算法解读
第13章 异构图构建实例分析
第14章 KIE图模型关系抽取算法解读
第15章 KIE图模型应用源码解读
深度学习神经网络最近受到了大量关注,原因在于它是当今语音识别、人脸检测、语音控制、自动驾驶汽车、脑肿瘤检测技术背后的技术,而这些在20年前并不属于我们生活的内容。尽管这些神经网络看起来很复杂,但它们也像人类一样地学习——通过各种案例来进行。只不过,神经网络是使用大量数据集进行训练,并通过多个网络层和多次迭代进行优化,以便获得最佳的运算结果而已。
在过去20年中,计算能力和数据量的指数级增长为深度学习神经网络创造了完美的发展条件。尽管我们在机器学习和人工智能等华而不实的术语上磕磕绊绊;但其实,这些技术只不过是线性代数和微积分与计算的结合结果罢了。
Keras、PyTorch和TensorFlow等框架有助于定制深度神经网络的艰难构建、训练、验证和部署过程。在现实生活中,创建深度学习应用程序时,这几款框架显然成为首选。
尽管如此,有时后退一步继续前进是至关重要的,我的意思是真正理解框架幕后发生的事情。在本文中,我们将通过仅使用NumPy这个基础框架来创建一个深度神经网络并将其应用于图像分类问题来实现这一点。在计算过程中,你可能会迷失在某个地方,特别是在与微积分相关的反向传播环节,但不要担心。在框架处理过程中,对过程的直觉比计算更重要。