昆山网站建设需要多少钱百度指数的作用

现在是下午四点，我今天醒的太晚了，十二点才起床，然后打打炉石看看小说，一晃就到现在了。不过真的蛮有意思的。我得开始学习了，毕竟时间很紧张，我需要尽快达到毕业要求。
补充一下，其实喜欢看网文，一个是想象力，一个是yy，毕竟现实生活中得不到的网文里幻想一下也不错。
之前我在github上找个了简单的神经网络的项目看了看代码，现在我要去找一个图神经网络的项目。
我找了一下，但是我发现与其去找github上面的代码，不如直接问deep seek。

1

import torch
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.nn import GCNConv# 加载 Cora 数据集
dataset = Planetoid(root='data/Cora', name='Cora')
data = dataset[0]# 定义 GCN 模型
class GCN(torch.nn.Module):def __init__(self, input_dim, hidden_dim, output_dim):super(GCN, self).__init__()self.conv1 = GCNConv(input_dim, hidden_dim)self.conv2 = GCNConv(hidden_dim, output_dim)def forward(self, x, edge_index):# 第一层 GCNx = self.conv1(x, edge_index)x = F.relu(x)x = F.dropout(x, training=self.training)# 第二层 GCNx = self.conv2(x, edge_index)return F.log_softmax(x, dim=1)# 初始化模型
model = GCN(input_dim=dataset.num_features, hidden_dim=16, output_dim=dataset.num_classes)# 定义优化器
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)# 训练函数
def train():model.train()optimizer.zero_grad()out = model(data.x, data.edge_index)loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])loss.backward()optimizer.step()return loss.item()# 测试函数
def test():model.eval()out = model(data.x, data.edge_index)pred = out.argmax(dim=1)correct = pred[data.test_mask] == data.y[data.test_mask]acc = int(correct.sum()) / int(data.test_mask.sum())return acc# 训练和测试
for epoch in range(200):loss = train()if epoch % 10 == 0:acc = test()print(f'Epoch {epoch:03d}, Loss: {loss:.4f}, Test Acc: {acc:.4f}')# 最终测试
acc = test()
print(f'Final Test Accuracy: {acc:.4f}')

2

我先把cora数据集下载到本地，赞美计算机，这个计算量人来干是不可能的。我感觉pycharm什么都能打开，比笔记本强多了。这个编号为35号的论文很强啊，像是后面的1033，103482什么的引用的都是它。

cora.content第一列很简单，无非就是论文编号嘛，后面的一大批01其实就是这1433个词会不会出现在论文里面，最后面还有一列，代表论文属于哪一类（一共有七个类）

3 planetoid方法

4

我终于看懂这个初始化模型是什么意思了

# 初始化模型
model = GCN(input_dim=dataset.num_features, hidden_dim=16, output_dim=dataset.num_classes)

其实神经网络的本质就是数学操作，矩阵操作，这个cora的节点特征矩阵就是一个2708行，1433列的二维矩阵，这个num_feature代表的是节点维度特征，这个model就是根据这1433个节点维度特征，这1433个关键词判断出这篇文章到底属于哪一类。所以这个模型就是通过两层图卷积，从1433映射为16再映射为7。

5

我看了这个图神经网络的代码，我就想说这和神经网络有什么区别，都是计算损失，都是反向传播。
我终于理解什么是边索引矩阵了，边索引矩阵要以一列为单位，上边是源点，下边是目标点。
区别在于神经网络是给每一个参数加权重，然后权重*参数，但是图神经网络是对矩阵进行操作
输出的时候也是如此，图神经网络要考虑到相邻的节点。

5

我看代码看的有点烦，我去刷刷申论行测什么的