Rust 语言 2020 调查报告发布

图的优点

图提供了代表许多现实问题的独特结构。与典型的表或矩阵不同，该顺序的优先级并不高。每个元素都相互依赖以形成关系。这种关系是所有假设和基于此的预测的核心。它的优点是：

• 节点链接结构-图的独特的节点链接结构可以存储很多信息。基于网络和关系的问题只能以这种格式表示。尽管存在矩阵、树形图之类的其他结构来表示图，但主要构成要优先。
• 分布式计算-单个核心或系统无法处理数十亿个节点/元素的巨大问题。分布式计算可以直接在图中实现的事实，节省了大量计算，并降低了时间复杂度。
• 关系问题-通常使用包含独立输入值及其各自输出标签的数据集。如果想根据最近的手表、喜爱的演员、音乐等为自己预测电影，该怎么办?

这是一个只能通过图形解决的关系问题。即使通过无监督学习进行尝试，也可以预测集群，但不能预测确切的标签或联系。我们将尝试并简要了解Netflix电影预测中的一个这样的问题：

想象类型、演员、语言、发行日期作为图的主要节点。许多电影根据其标签链接到上述节点。根据电影的不同，笔者会存储首选的属性节点。Netflix利用个性化视频排名(PVR)算法，根据所存储的图形数据按照流派、标题来预测电影。

在每种流派或标题中，它都再次应用了Top-N Video Ranker算法，该算法混合了流行选择和个人选择来预测电影。

机器学习中的图

所有的神经网络都是计算图。不仅这些而且线性回归等算法也可以以图的形式表示。传统图和神经网络之间的主要区别是实现。神经网络倾向于模仿计算图进行训练，但无法处理类似图的数据。他们需要结构化的数据才能正常工作。让我们根据神经网络中的正向传播来理解它。
 

个家族成员都是家族树图(G)中的一个顶点(V)，其关系由边(E)定义。如果要提取有关特定家庭成员的信息，则还必须知道他/她的关系，否则数据似乎不完整。每个节点和链接都有各自的意义和数据。同样，可以用许多不同的方式来表示相同的图，也可以使用不同的链接值自下而上绘制祖先图。

计算图

计算图是具有方程式数据的图。它们是表示数学表达式的有向图的一种形式。一个非常常见的示例是后缀、中缀和前缀计算。图中的每个节点都可以包含运算，变量或方程式本身。这些图出现在计算机中进行的大多数计算中。
 

将相同的结构应用于最先进的机器学习算法时，进化才真正发生。从简单的矩阵分解和线性回归算法到图形神经网络(GNN)的实现，我们都可以观察到技术的发展。

本文将详细介绍图、图的优势以及图在机器学习框架中的实现方式。笔者还将讨论图的兼容性和随着时间如何进化。

图

图是能够共同定义信息的关系型数据结构。它是非线性节点和链接的汇编。LinkedIn和Facebook社交网络、Netflix电影结构、谷歌地图和路径优化之类的真实信息只能由图形表示。让我们以家谱为例：
 

目的学习

学了就输出

学习PHP，对于我来说完全是一个陌生的环境，陌生的语言。最难的就是从哪儿下手的问题?

那我学习的办法就是抓紧一切时间向身边的同事问。不是问“小赖，这个怎么做呀?”。而是有目的的问，也就是我知道我要做一个什么，只是不知道用PHP如何实现而已。

我：小赖，我怎么定义一个接口?

小赖：定义request、response，参考哪个接口就可以。

我：小赖，PHP怎么判断元素是否存在?

小赖：用XX方法就可以。

我：小赖，接口写好了，怎么打包上线?

小赖：ssh到服务器，co代码，make test就可以。

我：那我怎么测试呢?

小赖：postman请求。

（编辑：信阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!