当前位置：首页 > wzjs >正文

搭建房子流程seo是什么岗位

wzjs 2025/8/21 12:29:46

搭建房子流程,seo是什么岗位,怎么做网站关键词搜索,北堂网站制作【通俗易懂-保姆级讲解图注意力网络GAT】 https://www.bilibili.com/video/BV1cr421L7Cq/?share_sourcecopy_web&vd_sourcef00bfb41b3b450c3767070ed82f30ac8 【图神经网络系列讲解及代码实现-GAT 1】 https://www.bilibili.com/video/BV1wP411T7dr/?share_sourcecopy_we…

【通俗易懂-保姆级讲解图注意力网络GAT】 https://www.bilibili.com/video/BV1cr421L7Cq/?share_source=copy_web&vd_source=f00bfb41b3b450c3767070ed82f30ac8

【图神经网络系列讲解及代码实现-GAT 1】 https://www.bilibili.com/video/BV1wP411T7dr/?share_source=copy_web&vd_source=f00bfb41b3b450c3767070ed82f30ac8

简介：

时间：2018

会议：ICLR

作者：Petar Velickovic, Guillem Cucurull, Arantxa Casanova, Yoshua Bengio

摘要：

通过堆叠节点能够关注其邻域特征的层，我们能够（隐式地）为邻域中的不同节点指定不同的权重，而不需要任何类型的高成本矩阵运算（例如求逆）或依赖于预先知道的图结构。

创新点：

①在图神经网络中引入了注意力机制，使得模型能学习到邻居节点的重要性（注意力权重）

②通过注意力机制为每个节点分配权重，而不是依赖于节点度数的非参数化缩放因子

③通过并行使用多个注意力机制（头），使模型能够捕捉更复杂的关系

GAT架构：

节点i只和邻居节点做attetion计算

过程：

①计算注意力系数

逐个计算节点i与其相邻节点的注意力系数

注意力：关注的点在哪

一个点的当前情况对它的未来情况也有影响，因此也需要算 $e_{ii}$ 本身，相关性需要算包括自己和自己的（自注意力）全部点之间的相关性

计算方法：

$e_{12}=a(W\overrightarrow{h1},W\overrightarrow{h2})$

W：代表一个共享的线性转换层（线性矩阵，全连接层），将特征维度从 $F$ 变为 $F{}'$

a：为一个函数，将多个值映射为一个值/一维

②masked attention&聚合值为“1”

已经算出每个节点和每个节点之间的注意力值，但完全不连接的需要将其注意力值置为“0”，可以和网络的邻接矩阵一对一相乘（哈达玛乘积），有连接的矩阵值为“1”，无连接的矩阵值为“0”

通过类似于掩码的形式，保留原有的形式

将 $e_{ij}$ 进行归一化操作，映射值为 $\alpha$ 值

使用LeakyReLU，增加非线性，模型的学习能力

③加权求和，聚合操作

将得到的节点与邻域节点的注意力分数 $\alpha _{ij}$ 和value（不是原始特征h，而是成了 $W$ 转换之后的） $W\overrightarrow{h_{j}}$ 相乘求和，做加权平均

$W$ 和之前采用的值是一样的，用于减少参数量，作者认为在做特征升维降维转换时 $W$ 起到的作用是一样的

④扩展机制以使用多头注意力

K个头时，当使用拼接时，得到了 $KF{}'$

或者可以采用特征求和取平均，得到 $F{}'$

代码解析：

# -*- coding: utf-8 -*-
# @Author: 95793
# @Date: 2025/4/6 15:59
import torch
from torch import nn
import torch.nn.functional as Fclass GATLayer(nn.Module):def __init__(self, in_features, out_features, dropout, alpha, concat=True):super(GATLayer, self).__init__()self.in_features = in_featuresself.out_features = out_featuresself.dropout = dropoutself.alpha = alphaself.W = nn.Parameter(torch.zeros(size=(in_features, out_features)))nn.init.xavier_uniform_(self.W.data, gain=1.414)self.a = nn.Parameter(torch.zeros(size=(2 * out_features, 1)))nn.init.xavier_uniform_(self.a.data, gain=1.414)self.leakeyrelu = nn.LeakyReLU(self.alpha)def forward(self, input_h, adj):h = torch.mm(input_h, self.W)N = h.size()[0]input_concat = torch.cat([h.repeat(1, N).view(N * N, -1), h.repeat(N, 1)], dim=1).\view(N, -1, 2 * self.out_features)e = self.leakeyrelu(torch.matmul(input_concat, self.a).squeeze(2))zero_vec = -1e12 * torch.ones_like(e)attention = torch.where(adj > 0, e, zero_vec)attention = F.softmax(attention, dim=1)attention = F.dropout(attention, self.dropout, training=self.training)output_h = torch.matmul(attention, h)return output_hif __name__ == '__main__':x = torch.randn(6, 10)adj = torch.tensor([[1, 1, 1, 0, 0, 0],[1, 1, 1, 0, 0, 0],[1, 1, 1, 0, 1, 1],[0, 0, 0, 1, 0, 1],[0, 0, 1, 0, 1, 1],[0, 0, 1, 1, 1, 1]], dtype=torch.float32)my_gat = GATLayer(10, 5, 0.2, 0.2)print(my_gat(x, adj))

查看全文

http://www.dtcms.com/wzjs/429788.html