通过本节，将学到：从头开始用DGL构建一个Graph给Graph添加节点和边的特征获取一些图的信息，如节点的度或节点的其他属性将DGL graph 转换到另一个graph加载、保存DGL graph从头构建GraphDGL通过DGLGraph对象来创建一个有向图，我们可以直接通过指定节点，以及src节点和target节点来创建一个graph。节点的id从0开始。例如下面一段代码构建了一个有向星型图

单层感知机模型y=XW+by=∑xi∗wi+by = XW + b \\y = \sum x_i*w_i+ by=XW+by=∑xi​∗wi​+b单层感知机模型的每一个输入节点xix_ixi​和对应的权重wiw_iwi​相乘累加后，与bias相加，便得到了预测值。我们使用sigmoid函数作为激活函数，通常使用符号σ\sigmaσ表示。对于最左边的输入层的上标，也就是xn0x_n^0xn0​中的0

假设一个分类器A，分类器A的作用是告诉你一张图片是不是汉堡，我们如果想知道这个分类器的效果到底好不好，如何做？最简单的方法就是将手机里所有的图片都扔给分类器A看，让分类器告诉我们哪些是汉堡我们无法直观的看到这个分类器的效果怎么样，有没有一种更好地办法来直观而又不损失信息的表示它的实验结果。一张图片的真实类别有两种情况（是汉堡，不是汉堡），分类器的预测类别也可以告诉我们两种情况（是汉堡，不是汉堡）。

自然语言处理工具包,是NLP研究领域常用的一个Python库。安装过程较为麻烦，这里记录一下。，然后移动到上面任意的一个文件夹。数据包，解压后，重命名为。

刚刚在win10下使用anaconda安装了TensorFlow，但是运行import tensorflow as tf报错：这里是因为缺少了相关的ddl，我下载了微软常用运行库合集，把所有的常用ddl都安装上，把VC++的运行库补全，就可以运行了。ddl如下链接：https://pan.baidu.com/s/1E3sNbCfeyR4iMk1k_6YcGA提取码：zp07...

原始的 List<Map<String, Object>> test_list_map 内容如下：[{path=hdfs://manager:9000/testDir/1.txt, isDir=false}, {path=hdfs://manager:9000/testDir/2.2xt, isDir=false}]使用：JSONArray.toJSON(test_l...

我的代码如下node_2_neg_list = [torch.LongTensor(node) for node in node_2_negative]其中node_2_negative是一个list，里面有16个元素：每个元素又是一个list，里面与10个元素：而每个元素中又包含10个元素：所以这是一个list嵌套list的情况，而我们执行上面的代码，提示信息：creating a tensor

给conda配置清华源镜像，及pytoch清华源镜像:# 添加清华源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/mai

学习曲线是什么？简单来说，就是用学习曲线(learning curve)来判断模型状态：过拟合还是欠拟合。学习曲线是根据不同训练集大小，模型在训练集和验证集上的得分变化曲线。也就是以样本数为横坐标，训练和交叉验证集上的得分（如准确率）为纵坐标。learning curve可以帮助我们判断模型现在所处的状态：过拟合（overfiting / high variance） or 欠拟合（underfi

上一节的HAN表示异构图的Attention Network，通过手动设置Meta-path，然后聚合不同Meta-path下的节点attention，学到节点最终的表示。但是这个方法是手动选择Meta-path的，因此可能无法捕获每个问题的所有有意义的关系。同样，元路径的选择也会显著影响性能而Graph Transformer Networks是自动聚合Meta-path，同时以端到端的学习方式