百度图--神经网络7日打卡营--学习心得
一、百度神经网络7日打卡营课节课节1:预习课节2: 图学习初印象课节3: 图游走类模型课节4: 图神经网络算法(一) 课节5: 图神经网络算法(二)课节6:图神经网络进阶模型课程网页链接:二、资源列表直播回放链接:https://www.bilibili.com/video/BV1rf4y1v7cU...
百度图--神经网络7日打卡营--学习心得目录
一、百度神经网络7日打卡营–课程详情
1 教学大纲
1.1、图学习初印象
- 图学习概述、入门路线
- 作业:安装环境,跑通 example 代码。
1.2、图游走类模型
- DeepWalk、node2vec、metapath2vec、metapath2vec 变种模型
- 实践:DeepWalk代码解析
- 作业:以填空的方式完成 node2vec 模型复现
1.3、图神经网络算法(一)
- GCN、GAT、消息传递机制
- 实践:GCN代码解析
- 作业:以填空的方式完成 GAT 模型复现
1.4 图神经网络算法(二)
- 图采样技术、图聚合技术
- 实践:讲解 GraphSage 代码
- 作业:以填空的方式完成GraphSage模型复现
1.5、图神经网络进阶模型讲解
- ERNIESage、UniMP
- 实践:ERNIESage代码讲解 大
- 作业:完成比赛 六、新冠疫苗项目拔高实战,助力疫情防控!
2. 课程目标
2.1 带领初学者入门图学习
2.2 学会图领域相关的经典算法:DeepWalk、node2vec、GCN、GAT、GraphSage
2.3 了解图神经网络领域的前沿研究方向,掌握部分进阶 GNN 模型
课程网页链接:
课程页面图片如下:
二、资源列表
很多人找不到资源地址,为了便于大家快速定位资源,本人在此总结了一点资源链接,便于大家学习。
2.1视频、课件、原码
直播视频:
PPT课件:
常见问题汇总地址:https://aistudio.baidu.com/aistudio/projectdetail/1259681
论文: 论文后续统一上传百度云分享。
2.2 课程配套博客:
下面是本人阅读论文时,随手写的博客,为了便于交流,便献丑于此,有不到之处欢迎大家海涵、批评指正。
-
GCN:Semi-Supervised Classification with Graph Convolutional Networks
博客:https://blog.csdn.net/LIYUO94/article/details/106526955
代码解析:https://blog.csdn.net/LIYUO94/article/details/106595594 -
GAT:Graph Attention Network
博客:https://blog.csdn.net/LIYUO94/article/details/105187349 -
GraphSage:Inductive Representation Learning on Large Graphs
代码解析:https://blog.csdn.net/LIYUO94/article/details/105764536
三、本人作业情况
3.1 作业一:运行GCN和DeepWalk
该是关于安装和运行的问题,细心一点,认真阅读相关文档,其实还是挺简单的。关键要沉下心,耐心阅读、耐心将问题一个一个解决。
作业得分:
心得: 做这个作业,我做的过程还是挺快的,解决问题、查阅资料、运行代码前后差不多40分钟就做好了,这也得益于我以前踩的坑,才会如此快。但是,我看群里还有很多人遇到了很多问题,此时已凌晨,看到大家为了学习这么积极,于是此人连夜写了该节课的一个博客,便于大家早点部署好环境。
博客链接:https://blog.csdn.net/LIYUO94/article/details/110016974
今天,翻阅课程心得区域https://aistudio.baidu.com/aistudio/education/group/info/1956,发现一篇博客和我前半部分长得很像,仔细一看,哈哈,有点欣慰,有有点忧伤。欣慰的是他对我的博客补充了一点,方便了大家,忧伤的是,没有看到对我的参考和引用。哈哈,貌似他应该还获得了奖励吧,小伙运气比我还是要好一点,不过能帮助到人家是最值得欣慰的事了,但行好事,莫问前程。
3.2 作业二:图游走算法核心代码实现
作业得分:
心得: 初次实践深入Deepwork,经过小斯妹的直播讲解和与群友的探讨,扩宽了deepwork的学习、了解了他的实现。摸索到半夜,终于弄清并完成作业。
3.3 作业三:图游走算法核心代码实现 GCN+GAT
作业得分:
心得: 这个作业完成还得比较快,得益于之前阅读的论文和代码,对GCN和GAT的思想有所把控,公式也了然于胸,实战起来还是比较快,不过也得益于课程代码的详细注解,Deepwork没有注解,属实阅读起开比较困难。
3.4作业四: GCN+GATGraphSage的采样聚合
作业得分:
心得: graphsage本人以前也是有了解过、也阅读过原码,但是没有跑过(毕竟家境贫寒),此次也就是换一个框架实现而已,思想是一样的。总体比较顺利,分数也还看的过去,当然,分数其实是一个摆设,重要的是自己花了时间,要所收获,要有获得感!
3.5 作业五: 比赛
哈哈,这里就不说了,时间有限,还有要务在身,后续补充。
本人暂时排名:
更多推荐
所有评论(0)