掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
圖神經網絡基礎、模型與應用實戰 版權信息
- ISBN：9787302658832
- 條形碼：9787302658832 ; 978-7-302-65883-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
圖神經網絡基礎、模型與應用實戰 本書特色
十多個應用案例，基于PyTorch實現，帶你快速掌握圖神經網絡應用開發
圖卷積網絡實現
圖注意力網絡實現
圖自編碼器實現
圖生成網絡實現
文本分類實現
情感分析實現
目標檢測實現
圖像生成實現
用戶興趣建模實現
推薦算法實現
廣告推薦實現
社交網絡分析實現
社交網絡關系預測實現
社交網絡推薦實現
圖神經網絡基礎、模型與應用實戰 內容簡介
圖神經網絡不僅能夠解決傳統機器學習方法無法解決的圖數據問題，而且能夠應用于許多實際場景，例如社交網絡、藥物發現、網絡安全、金融風控等。《圖神經網絡基礎、模型與應用實戰》旨在為初學者和實踐者提供一個詳細、全面的入門指南，圍繞圖神經網絡基礎、模型、應用實戰（均采用Python+PyTorch實現）等方面進行介紹。《圖神經網絡基礎、模型與應用實戰》配套示例源碼、數據集、PPT課件。 《圖神經網絡基礎、模型與應用實戰》共分9章，內容包括圖神經網絡概述、PyTorch開發環境搭建、數據集的獲取與加載、圖神經網絡模型、圖神經網絡在自然語言處理領域的應用、圖神經網絡在計算機視覺領域的應用、圖神經網絡在推薦系統領域的應用、圖神經網絡在社交網絡領域的應用、圖神經網絡的挑戰和機遇。其中，每個領域的應用都包括1~3個實戰項目，可以幫助讀者快速掌握圖神經網絡。 《圖神經網絡基礎、模型與應用實戰》適合圖神經網絡初學者、圖神經網絡算法開發人員、深度學習算法開發人員，也適合高等院校或高職高專圖神經網絡相關課程的師生教學參考。
圖神經網絡基礎、模型與應用實戰 目錄
第1章 圖神經網絡概述 1
1.1 什么是圖神經網絡 1
1.1.1 圖的基礎知識 1
1.1.2 圖神經網絡簡介 2
1.1.3 圖神經網絡的應用領域 3
1.2 圖神經網絡的重要性 4
1.3 圖神經網絡與傳統深度學習的區別 5
1.3.1 傳統深度學習模型 6
1.3.2 圖神經網絡與傳統深度學習的區別 8
第2章 PyTorch開發環境搭建 10
2.1 Anaconda的安裝和配置 10
2.2 PyCharm的安裝和配置 12
2.3 PyTorch Geometric的安裝和配置 13
2.3.1 查看系統支持的CUDA版本 14
2.3.2 下載*新的Navida顯卡驅動 14
2.3.3 下載CUDA Toolkit 14
2.3.4 cuDNN的安裝 16
2.3.5 安裝PyTorch框架虛擬環境 17
2.3.6 檢查PyTorch框架的安裝 18
2.3.7 安裝圖神經網絡庫 19
2.3.8 使用Jupyter Notebook運行代碼 20
第3章 數據集的獲取與加載 22
3.1 PyTorch Geometric內置數據集 22
3.1.1 PyTorch Geometric簡介 22
3.1.2 PyG內置數據集簡介 23
3.1.3 如何加載內置數據集 24
3.2 自定義數據集 25
3.2.1 torch_geometric.data.Dataset類 25
3.2.2 torch_geometric.data.DataLoader類 28
3.2.3 如何加載自定義數據集 29
3.3 數據集預處理步驟 31
3.3.1 圖像數據預處理 31
3.3.2 圖數據預處理 41
第4章 圖神經網絡模型 45
4.1 圖卷積神經網絡 46
4.1.1 圖卷積神經網絡的起源和發展 46
4.1.2 圖卷積神經網絡與卷積神經網絡的異同 46
4.1.3 圖卷積神經網絡簡單代碼實現 47
4.1.4 卷積神經網絡簡單代碼示例 49
4.1.5 圖卷積神經網絡的應用領域 50
4.2 圖注意力網絡 51
4.2.1 圖注意力網絡的由來和發展 51
4.2.2 圖注意力網絡模型代碼實現 51
4.2.3 圖注意力網絡的應用領域 53
4.3 圖自編碼器 54
4.3.1 圖自編碼器的由來和發展 54
4.3.2 圖自編碼器代碼實現 54
4.3.3 圖自編碼器的應用領域 56
4.4 圖生成網絡 57
4.4.1 圖生成網絡的由來和發展 57
4.4.2 圖生成網絡代碼實現 57
4.4.3 圖生成網絡的應用領域 59
第5章 圖神經網絡在自然語言處理領域的應用 60
5.1 基于圖神經網絡的文本分類實現 60
5.1.1 問題描述 61
5.1.2 導入數據集 61
5.1.3 詞嵌入 63
5.1.4 構造鄰接矩陣 64
5.1.5 構建圖數據 66
5.1.6 圖的小型批處理 68
5.1.7 圖卷積神經網絡 69
5.1.8 模型訓練與測試 70
5.2 基于圖神經網絡的情感分析實現 71
5.2.1 問題描述 72
5.2.2 導入數據集 72
5.2.3 詞嵌入 74
5.2.4 語法依存樹 74
5.2.5 圖的小型批處理 76
5.2.6 圖神經網絡的構造 77
5.2.7 模型訓練與測試 78
5.3 基于圖神經網絡的機器翻譯實現 79
5.3.1 基于語法感知的圖神經網絡編碼器用于機器翻譯 80
5.3.2 利用圖卷積神經網絡挖掘機器翻譯中的語義信息 80
5.3.3 示例總結 80
第6章 圖神經網絡在計算機視覺領域的應用 81
6.1 基于圖神經網絡的圖像分類實現 82
6.1.1 基于端到端的圖神經網絡模型的圖像分類 82
6.1.2 基于區域的圖神經網絡模型的圖像分類 93
6.2 基于圖神經網絡的目標檢測實現 117
6.2.1 圖神經網絡的目標檢測方法及其優缺點 117
6.2.2 GSDT目標檢測的步驟 118
6.2.3 問題描述 120
6.2.4 導入數據集 120
6.2.5 模型搭建 120
6.2.6 模型訓練與測試 121
6.3 基于圖神經網絡的圖像生成實現 122
6.3.1 基于草圖組合與圖像匹配的圖像生成 122
6.3.2 基于圖神經網絡的場景圖生成 125
6.3.3 基于圖卷積神經網絡從場景圖生成圖像 126
第7章 圖神經網絡在推薦系統領域的應用 153
7.1 基于圖神經網絡的用戶興趣建模實現 154
7.2 基于圖神經網絡的推薦算法實現 155
7.3 基于圖神經網絡的廣告推薦實現 156
7.3.1 數據預處理 157
7.3.2 模型定義 161
7.3.3 參數設置 165
7.3.4 模型訓練與測試 168
7.3.5 結果 173
第8章 圖神經網絡在社交網絡領域的應用 174
8.1 基于圖神經網絡的社交網絡分析實現 174
8.1.1 問題描述 174
8.1.2 導入數據集 175
8.1.3 模型搭建 176
8.1.4 模型訓練與測試 177
8.1.5 示例總結 178
8.2 基于圖神經網絡的社交網絡關系預測實現 180
8.2.1 問題描述 180
8.2.2 導入數據集 181
8.2.3 模型搭建 182
8.2.4 模型訓練與測試 183
8.2.5 示例總結 186
8.3 基于圖神經網絡的社交網絡推薦實現 190
8.3.1 問題描述 190
8.3.2 導入數據集 190
8.3.3 模型搭建 192
8.3.4 模型訓練與測試 193
8.3.5 示例總結 195
第9章 圖神經網絡的挑戰和機遇 197
9.1 圖神經網絡的發展歷程和現狀 197
9.1.1 圖神經網絡的分類 198
9.1.2 經典的圖神經網絡模型 198
9.2 圖神經網絡的技術挑戰和應用機遇 202
9.3 圖神經網絡的未來發展方向和熱點問題 203
1.1 什么是圖神經網絡 1
1.1.1 圖的基礎知識 1
1.1.2 圖神經網絡簡介 2
1.1.3 圖神經網絡的應用領域 3
1.2 圖神經網絡的重要性 4
1.3 圖神經網絡與傳統深度學習的區別 5
1.3.1 傳統深度學習模型 6
1.3.2 圖神經網絡與傳統深度學習的區別 8
第2章 PyTorch開發環境搭建 10
2.1 Anaconda的安裝和配置 10
2.2 PyCharm的安裝和配置 12
2.3 PyTorch Geometric的安裝和配置 13
2.3.1 查看系統支持的CUDA版本 14
2.3.2 下載*新的Navida顯卡驅動 14
2.3.3 下載CUDA Toolkit 14
2.3.4 cuDNN的安裝 16
2.3.5 安裝PyTorch框架虛擬環境 17
2.3.6 檢查PyTorch框架的安裝 18
2.3.7 安裝圖神經網絡庫 19
2.3.8 使用Jupyter Notebook運行代碼 20
第3章 數據集的獲取與加載 22
3.1 PyTorch Geometric內置數據集 22
3.1.1 PyTorch Geometric簡介 22
3.1.2 PyG內置數據集簡介 23
3.1.3 如何加載內置數據集 24
3.2 自定義數據集 25
3.2.1 torch_geometric.data.Dataset類 25
3.2.2 torch_geometric.data.DataLoader類 28
3.2.3 如何加載自定義數據集 29
3.3 數據集預處理步驟 31
3.3.1 圖像數據預處理 31
3.3.2 圖數據預處理 41
第4章 圖神經網絡模型 45
4.1 圖卷積神經網絡 46
4.1.1 圖卷積神經網絡的起源和發展 46
4.1.2 圖卷積神經網絡與卷積神經網絡的異同 46
4.1.3 圖卷積神經網絡簡單代碼實現 47
4.1.4 卷積神經網絡簡單代碼示例 49
4.1.5 圖卷積神經網絡的應用領域 50
4.2 圖注意力網絡 51
4.2.1 圖注意力網絡的由來和發展 51
4.2.2 圖注意力網絡模型代碼實現 51
4.2.3 圖注意力網絡的應用領域 53
4.3 圖自編碼器 54
4.3.1 圖自編碼器的由來和發展 54
4.3.2 圖自編碼器代碼實現 54
4.3.3 圖自編碼器的應用領域 56
4.4 圖生成網絡 57
4.4.1 圖生成網絡的由來和發展 57
4.4.2 圖生成網絡代碼實現 57
4.4.3 圖生成網絡的應用領域 59
第5章 圖神經網絡在自然語言處理領域的應用 60
5.1 基于圖神經網絡的文本分類實現 60
5.1.1 問題描述 61
5.1.2 導入數據集 61
5.1.3 詞嵌入 63
5.1.4 構造鄰接矩陣 64
5.1.5 構建圖數據 66
5.1.6 圖的小型批處理 68
5.1.7 圖卷積神經網絡 69
5.1.8 模型訓練與測試 70
5.2 基于圖神經網絡的情感分析實現 71
5.2.1 問題描述 72
5.2.2 導入數據集 72
5.2.3 詞嵌入 74
5.2.4 語法依存樹 74
5.2.5 圖的小型批處理 76
5.2.6 圖神經網絡的構造 77
5.2.7 模型訓練與測試 78
5.3 基于圖神經網絡的機器翻譯實現 79
5.3.1 基于語法感知的圖神經網絡編碼器用于機器翻譯 80
5.3.2 利用圖卷積神經網絡挖掘機器翻譯中的語義信息 80
5.3.3 示例總結 80
第6章 圖神經網絡在計算機視覺領域的應用 81
6.1 基于圖神經網絡的圖像分類實現 82
6.1.1 基于端到端的圖神經網絡模型的圖像分類 82
6.1.2 基于區域的圖神經網絡模型的圖像分類 93
6.2 基于圖神經網絡的目標檢測實現 117
6.2.1 圖神經網絡的目標檢測方法及其優缺點 117
6.2.2 GSDT目標檢測的步驟 118
6.2.3 問題描述 120
6.2.4 導入數據集 120
6.2.5 模型搭建 120
6.2.6 模型訓練與測試 121
6.3 基于圖神經網絡的圖像生成實現 122
6.3.1 基于草圖組合與圖像匹配的圖像生成 122
6.3.2 基于圖神經網絡的場景圖生成 125
6.3.3 基于圖卷積神經網絡從場景圖生成圖像 126
第7章 圖神經網絡在推薦系統領域的應用 153
7.1 基于圖神經網絡的用戶興趣建模實現 154
7.2 基于圖神經網絡的推薦算法實現 155
7.3 基于圖神經網絡的廣告推薦實現 156
7.3.1 數據預處理 157
7.3.2 模型定義 161
7.3.3 參數設置 165
7.3.4 模型訓練與測試 168
7.3.5 結果 173
第8章 圖神經網絡在社交網絡領域的應用 174
8.1 基于圖神經網絡的社交網絡分析實現 174
8.1.1 問題描述 174
8.1.2 導入數據集 175
8.1.3 模型搭建 176
8.1.4 模型訓練與測試 177
8.1.5 示例總結 178
8.2 基于圖神經網絡的社交網絡關系預測實現 180
8.2.1 問題描述 180
8.2.2 導入數據集 181
8.2.3 模型搭建 182
8.2.4 模型訓練與測試 183
8.2.5 示例總結 186
8.3 基于圖神經網絡的社交網絡推薦實現 190
8.3.1 問題描述 190
8.3.2 導入數據集 190
8.3.3 模型搭建 192
8.3.4 模型訓練與測試 193
8.3.5 示例總結 195
第9章 圖神經網絡的挑戰和機遇 197
9.1 圖神經網絡的發展歷程和現狀 197
9.1.1 圖神經網絡的分類 198
9.1.2 經典的圖神經網絡模型 198
9.2 圖神經網絡的技術挑戰和應用機遇 202
9.3 圖神經網絡的未來發展方向和熱點問題 203
展開全部
圖神經網絡基礎、模型與應用實戰 作者簡介
蘭偉，廣西大學計算機與電子信息學院副教授，博士研究生導師，中南大學博士。主要研究方向為機器學習、數據挖掘、生物信息學。在國際知名期刊和會議上發表論文60余篇，先后出版專著2部，獲省部級獎項1項。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
羅庸西南聯大授課錄
- >
山海經
- >
姑媽的寶刀
- >
小考拉的故事-套裝共3冊
- >
名家帶你讀魯迅:故事新編
- >
龍榆生：詞曲概論/大家小書
- >
上帝之肋:男人的真實旅程
本類暢銷
