注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. AMD 显卡hd7900系列 (GPU)GCN架构手册

  2. AMD 显卡(GPU)GCN架构资料大全

  3. 所属分类：硬件开发

    • 发布日期：2013-08-03
    • 文件大小：2097152
    • 提供者：yangkequn

  1. GCN大佬Thomas Kipf博士论文《深度学习图结构表示》

  2. Thomas Kipf是阿姆斯特丹大学博士生，是GCN作者。最近他毕业博士论文公布了，《深度学习图结构表示》178页pdf阐述图卷积神经网络等机制与应用，包括作者一系列原创图深度学习工作，有GCN、GAE等，是研究该领域不可缺少的阅读文献。

  3. 所属分类：机器学习

    • 发布日期：2020-05-07
    • 文件大小：8388608
    • 提供者：syp_net

  1. 图卷积网络Graph Convolutional Network（GCN）的理解和详细推导.pdf

  2. 图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724

  3. 所属分类：深度学习

    • 发布日期：2020-06-11
    • 文件大小：3145728
    • 提供者：yyl424525

  1. GCN推导

  2. GCN涉及到的理论比较多，包括信号分析中的傅里叶变换、图谱等理论，这里只做一个简单的推导，旨在让读者了解GCN推导的大致思路以及其中用到的定理，错误之处还请指出。大致了解GCN的思路后可移步学习其中涉及到的理论知识： 如何理解图卷积 图卷积网络 GCN Graph Convolutional Network 由于图是不规则化的非欧式结构数据，而CNN是在欧式数据（如图片、语音等）上进行卷积，如何在不规则的图上定义卷积？我们从卷积定理入手。 卷积定理 卷积定理：函数卷积的傅里叶变换是函数傅立叶变换

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：134144
    • 提供者：weixin_38556668

  1. GCN-zone-source-Source zone

  2. GCN-zone-source

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：11534336
    • 提供者：weixin_42131367

  1. GCN-zone-source-Source zone

  2. GCN-zone-source

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：11534336
    • 提供者：weixin_42099942

  1. Event-Extraction:临时事件撤除方法总结，包括中文事件撤消，开放域事件撤除，事件数据生成，跨语言事件撤消，小样本事件撤消，零样本事件撤消等类型，DMCNN，FramNet，DLRNN，DBRNN，GCN，DAG- GRU，JM

  2. Event-Extraction（事件抽取资料摘要总结）更新中... 临时事件撤除方法总结，包括中文事件撤消，开放域事件撤除，事件数据生成，跨语言事件撤消，小样本事件撤消，零样本事件撤消等类型，DMCNN，FramNet，DLRNN，DBRNN，GCN，DAG- GRU，JMEE，PLMEE等方法。 目录 定义 封闭域 闭域事件撤除使用预定义的事件模式从文本中发现并提取所需的特定类型的事件。事件模式包含多个事件类型及其相应的事件结构。四个子任务：触发词检测，事件/触发词类型识别，事件论元检测和参

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：10485760
    • 提供者：weixin_42099755

  1. HIgh-order-GCNII:高阶GCN，具有初始残差和基于3D人类姿势估计的身份映射-源码

  2. 高阶GCNII 高阶GCN，具有初始残差和基于3D人类姿势估计的身份映射。在本节中，我们将原始GCN层重写为GCNII层，并将其应用于10层模型而没有剩余连接。 关于Human3.6M的结果 协议1（平均每关节位置误差）和协议2（刚性对准后平均每关节位置误差）下的地面真相检测rtesluts。 方法 2D检测 时代数 参数数量 MPJPE（P1） P-MPJPE（P2） Martinez等。 [1] 地面真相 200 429万 44.40毫米 35.25毫米 SemGCN 地面真相 50

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：15728640
    • 提供者：weixin_42131342

  1. la-gcn-torch:PyTorch中用于图卷积网络的可学习聚合器的实现-源码

  2. PyTorch中用于图卷积网络的可学习聚合器 PyTorch中用于图卷积网络的可学习聚合器的实现。 通过引入共享的辅助模型为GCN（LA-GCN）提供可学习的聚合器，该模型在邻域聚合中提供了自定义架构。 在此框架下，提出了一种称为LA-GCN（Mask）的新模型，其中包括一个新的聚合函数，即掩码聚合器。 辅助模型为给定节点的每个邻居学习一个特定的掩码，从而可以同时注意节点级别和功能级别。 该机制将学习为预测的节点和特征分配不同的重要性，从而为预测提供可解释的解释并提高模型的鲁棒性。 张力，

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：1048576
    • 提供者：weixin_42181545

  1. MGU-Net:GCN辅助的多尺度两阶段网络在OCP图像中对视网膜层和椎间盘进行联合分割-源码

  2. MGU网 GCN辅助的多尺度两阶段网络在OCP图像中对视网膜层和椎间盘进行联合分割 代号 该代码即将推出。 结果 结果即将到来。 引文 如果您使用此代码进行研究，请考虑引用以下文章： 接触 如有任何疑问，请联系

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：19456
    • 提供者：weixin_42137032

  1. BERT-BILSTM-GCN-CRF-for-NER:在原本BERT-BILSTM-CRF上融合GCN和词性标签等做NER任务-源码

  2. NER的BERT-BILSTM-GCN-CRF 在原本BERT-BILSTM-CRF上融合GCN和词性标签等做NER任务 数据格式 高B-剧种B-名词腔I-剧种I-名词：OO马B-人名B-名词平I-人名I-名词所OO着O B动词扶O B动词贫O I动词小O B -名词I O-名词 运行

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：186368
    • 提供者：weixin_42138525

  1. GCN-NAS:AAAI2020“用于通过神经搜索进行基于骨骼的人体动作识别的学习图卷积网络”的源代码-源码

  2. GCN-NAS PyTorch源代码，“”，AAAI2020 要求 python包 pytorch = 0.4.1 火炬视觉> = 0.2.1 资料准备 从和下载原始数据。 并预处理数据。 用预处理数据 python data_gen/ntu_gendata.py python data_gen/kinetics-gendata.py. 使用以下命令生成骨骼数据： python data_gen/gen_bone_data.py 模型训练 在这里，您可以训练通过我们的方法搜索的

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：68608
    • 提供者：weixin_42116847

  1. gcn：在TensorFlow中实现图卷积网络-源码

  2. 图卷积网络 这是图卷积网络的TensorFlow实现，用于图中节点的（半监督）分类任务，如我们的论文所述： Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 安装 python setup.py install 要求 张量流（> 0.12） 网络 运行演示 cd gcn python train.py 数据 为了使用您自己的数据，您必须提供 N×N邻接矩阵（N是节

  3. 所属分类：其它

    • 发布日期：2021-02-28
    • 文件大小：5242880
    • 提供者：weixin_42139871

  1. deep_gcns：“ DeepGCN：Tensorflow Repo：GCN可以像CNN一样深吗？” ICCV2019口头https://www.deepgcns.org-源码

  2. DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：720896
    • 提供者：weixin_42131633

  1. LA-GCN：针对图卷积网络的可学习聚合器的TensorFlow实现-源码

  2. TensorFlow中用于图卷积网络的可学习聚合器 图卷积网络的可学习聚合器的TensorFlow实现。 通过引入共享的辅助模型为GCN（LA-GCN）提供可学习的聚合器，该模型在邻域聚合中提供了自定义架构。 在此框架下，提出了一种称为LA-GCN（Mask）的新模型，其中包括一个新的聚合函数，即掩码聚合器。 辅助模型为给定节点的每个邻居学习一个特定的掩码，从而允许注意节点级别和功能级别。 该机制将学习为预测的节点和特征分配不同的重要性，从而为预测提供可解释的解释并提高模型的鲁棒性。 张力

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：5242880
    • 提供者：weixin_42120997

  1. tp：《塞尔达传说：黄昏公主》的反汇编（美国GCN）-源码

  2. 塞尔达传说：黄昏公主 此仓库包含WIP反汇编的《塞尔达传说：黄昏公主》（美国GCN）。 它构建以下DOL： sha1: 4997D93B9692620C40E90374A0F1DBF0E4889395 - sha1: 4997D93B9692620C40E90374A0F1DBF0E4889395 并将最终构建所有 。 Windows先决条件 下载并运行的最新版本 运行位于devkitPro\msys2\msys2.exe的可执行文件 通过运行以下命令来更新pacman： pacman -

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：13631488
    • 提供者：weixin_42112685

  1. 基于Att＿GCN模型的知识图谱推理算法（网络首发）

  2. 基于Att＿GCN模型的知识图谱推理算法（网络首发）

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：595968
    • 提供者：weixin_38524871

  1. MixHop-and-N-GCN：“ MixHop：通过稀疏邻域混合进行的高阶图卷积体系结构”的实现（ICML 2019）-源码

  2. MixHop和N-GCN ⠀ PyTorch实现的“ MixHop：通过稀疏邻域混合进行的高阶图卷积体系结构”（ICML 2019）和“一个高阶图卷积层”（NeurIPS 2018）。 抽象 最近的方法通过近似图拉普拉斯算子的本征基，将卷积层从欧几里得域推广到图结构数据。 Kipf＆Welling的计算效率高且使用广泛的Graph ConvNet过度简化了逼近度，有效地将图形卷积呈现为邻域平均算子。 这种简化限制了模型学习三角算子（图拉普拉斯算子的前提）的作用。 在这项工作中，我们提出了一个

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：1048576
    • 提供者：weixin_42157166

  1. gcn-over-pruned-trees：修剪后的依赖树上的图形卷积可改善关系提取（作者的PyTorch实现）-源码

  2. 修剪后的依赖树上的图卷积用于关系提取 此回购包含PyTorch代码，用于修剪。 本文/代码在修剪的依赖树上引入了图卷积神经网络（GCN），用于关系提取的任务。 还引入了一种特殊的树修剪技术，称为“以路径为中心的修剪”，以从树中消除不相关的信息，同时最大程度地维护相关信息。 与诸如各种基于LSTM的模型之类的序列模型相比，此GCN模型利用依赖结构桥接远程单词，因此提高了远程关系的性能。 与以前的递归模型（如TreeLSTM）相比，此GCN模型在获得更好的性能的同时，也更早地实现了并行化，因此效率

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：616448
    • 提供者：weixin_42144086

  1. NLPGNN：1.使用BERT，ALBERT和GPT2作为tensorflow2.0的层。 2.基于消息传递实现GCN，GAN，GIN和GraphSAGE-源码

  2. nlpgnn 包装说明 自然语言处理领域当前正在发生巨大变化，近年来，已经提出了许多出色的模型，包括BERT，GPT等。 同时，图形神经网络作为一种精美的设计正在诸如TextGCN和Tensor-TextGCN等自然语言处理领域中不断使用。 该工具箱专用于自然语言处理，希望以最简单的方式实现模型。 关键字：NLP； 神经网络 楷模： 伯特 阿尔伯特 GPT2 TextCNN Bilstm +注意 GCN，GAN 杜松子酒 TextGCN，TextSAGE 示例（有关更多详细信息，请参见

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：253952
    • 提供者：weixin_42114645
« 12 3 4 5 6 7 »