2023.1.30，周一【图神经网络 学习记录13】异构图的另一个算法：GTN（Graph Transformer Networks）；GTN模型练习——问题记录：16G运行内存，却提示内存不足

最新推荐文章于 2025-04-21 14:11:15 发布
置顶 最新推荐文章于 2025-04-21 14:11:15 发布
阅读量540 收藏 6
点赞数 7
CC 4.0 BY-SA版权
分类专栏： Python从入门到人工智能 文章标签： 图神经网络 异构图算法 GTN 图Transformer 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44731019/article/details/128805886
本文介绍了异构图的GTN算法，详细讲解了GTN如何组合多元meta-path，以及算法流程。在实践过程中，讨论了内存不足问题，通过参数微调发现num_channels过大可能导致内存不足，最终确定num_channels=1可以正常运行。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

声明：仅学习使用~

前情提要：

2023.1.29，周日【图神经网络 学习记录12】图 注意力机制网络HAN模型：详细断点调试（Debug）过程；模型的几个常见评价指标：TP，TN，FP，FN；查准率，查全率；macro-F1

2023.1.27，周五【图神经网络 学习记录11】DGL练习：节点和边的特征，从外部库创建图，创建异构图 || AI语音：注意看，这个男人叫小帅—微软Azure文本转语音

2023.1.26，周四【图神经网络 学习记录10】基于torch 安装部署DGL库，DGL练习：使用DGL创建图，为节点和边赋值，构建图卷积网络GCN并训练。HAN模型练习（初步）

2023.1.25，周三【图神经网络 学习记录9】图网络的分类，异构图—注意力机制网络：节点级别的attention，语义级别的attention

2023.1.23，周一【图神经网络 学习记录8】访问PyG官网，查看data属性。使用PyG实现GCN、GraphSAGE、GAT模型。

2023.1.24，周二【图神经网络 学习记录7】GraphSAGE 练习，PyG学习(部署在之前已经介绍过)

2023.1.20，周五【图神经网络 学习记录6】GAT模型练习，含遇到的问题 以及 解决

2023.1.19，周四【图神经网络 学习记录5】GraphSAGE模型：采样、聚合函数、GraphSAGE minibatch、GraphSAGE Embedding | GAT模型：多头注意力机制

2023.1.18，周三【图神经网络 学习记录4】通过新建Anaconda环境，尝试解决昨天的问题(未)（conda基础命令回顾） || GCN核心公式讲解，两层GCN || GCN的通俗理解

2023.1.17，周二【图神经网络 学习记录3】Graph Embedding算法应用，初始“华为云——知识图谱”

2023.1.16，周一【图神经网络 学习记录2】Graph Embedding 之 DeepWalk算法 解析 || 知识图谱嵌入技术：以TransE模型为例

2023.1.15，周日【图神经网络 学习记录1】图的基本概念：如何计算度中心性、特征向量中心性、中介中心性、连接中心性 | 网页排序算法之PageRank：求PageRank值、西游记人物节点重要度

2023.1.30，周一---学习目录

了解本专栏 订阅专栏 解锁全文
2023.1.31，周二【图神经网络 学习记录14】GTN模型(Graph Transformer Networks)——详细Debug调试过程。
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-01 868
2023.1.31，周二【图神经网络 学习记录14】GTN模型(Graph Transformer Networks)——详细Debug调试过程。
周 GTN模型详细Debug调试过程 Python
BUG？不存在的！
09-08 251
通过导入必要的库和模块，定义GTN模型的结构，以及创建模型实例并进行调试，我们可以逐步排查和修复模型中的问题。在这里，我们创建一个简单的GTN模型，包含一个图卷积层和一个图注意力层。在这里，我们定义一个简单的图卷积层，使用邻接矩阵和节点特征进行图卷积操作。通过以上方法，我们可以逐步排查和修复模型中的问题，并不断优化GTN模型的性能。现在，我们可以创建GTN模型的实例，并使用一些示例数据进行调试。逐层打印和检查模型的参数，确保它们的值和形状是正确的。可视化模型的中间输出，以便更好地理解模型的学习过程。
图学习——05.GTN（Graph Transformer Network）
m0_51474171的博客
10-17 2795
在本文中，我们提出了能够生成新图结构的Graph Transformer Network（GTN），其中包括识别原始图上未连接节点之间的有用连接，同时在端到端学习新图上的有效节点表示形式。最近的一种补救方法是手动设计元路径，这些元路径是与异构边连接的路径，并将异构图转换为由元路径定义的其次图表示，而HAN通过将异构图转换为由元路径构造的其次图来学习图表示学习。但是，这些方法由领域专家手动选择元路径，因此可能无法捕获每个问题的所有有意义的关系，同样，元路径的选择也会显著影响性能。 与这些方法不同，我们的可以在
Abaqus子程序，GTN孔洞损伤模型， 用于材料的损伤模拟
06-06
Abaqus子程序，GTN孔洞损伤模型， 用于材料的损伤模拟
【亲测免费】 Abaqus子程序——GTN孔洞损伤模型
最新发布
gitblog_06766的博客
04-21 622
Abaqus子程序——GTN孔洞损伤模型 【下载地址】Abaqus子程序GTN孔洞损伤模型 Abaqus子程序GTN孔洞损伤模型专为材料损伤模拟设计，基于GTN（Gurson-Tvergaard-Needleman）模型，能够精确描述材料在外部载荷下内部孔洞的生长、聚合及断裂过程。该模型适用于多种工程材料，尤其擅长模拟复...
Graph-Transformer-Networks（2023.2.1）.zip
02-01
Graph Transformer Networks（GTN）是一种基于深度学习的模型，它结合了图神经网络（GNN）和Transformer架构，用于处理图结构数据。在本项目中，你将找到一个经过调试的代码实现，其中包含了作者的注释和说明，这...
2023.2.2，周四【图神经网络 学习记录16】异构图Graph Embedding算法——GATNE(异构图多属性 多边 类型算法)，不建议普通PC跑...PyCharm可能会崩
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-02 755
【图神经网络 学习记录16】异构图Graph Embedding算法——GATNE(异构图多属性 多边 类型算法)，不建议普通PC跑...PyCharm可能会崩
2023.2.9，周四【图神经网络 学习记录23】动态图算法 之 SGNN(DGNN)：更新组件（update component），传播组件（propagation component）
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-09 755
【图神经网络 学习记录23】动态图算法 之 SGNN(DGNN)：更新组件（update component），传播组件（propagation component）
abaqus umat_gurson_Gurson_GTN模型子程序_umat损伤_umat金属损伤_ABAQUS
09-11
GTN模型的子程序，在ABAQUS的UMAT 中使用，金属细观损伤模型。
GTN-Graph Transformer Networks
qq_56618414的博客
09-12 1460
如图2所示，A(l)有C个通道，可记为C个meta-path图。因此，新生成meta-path图对应的邻接矩阵就是A(1)=Q1*Q2。它基于若干候选邻接矩阵生成新的图结构(识别有效meta-path)，进而执行卷积操作产出节点的embedding。上述过程可参考图2中A(l)的生成过程进行理解（注意：图2中1*1卷积为C通道，因此Q为C通道，A(l)也为C通道）。但上述meta-path生成方式不能包含原始图中的边信息，也会丢失短meta-path信息。由于图结构是学到的，因此可应用多种卷积操作。
基于GTN细观损伤模型的板料成形过程损伤分析_陈志英.pdf
04-21
详细讲解GTN模型，对涉及到的本构模型进行详细介绍，同时对建模历程进行了介绍；详细讲解GTN模型，对涉及到的本构模型进行详细介绍，同时对建模历程进行了介绍
81404585vumat1.zip
05-20
详细介绍了GTN模型在ABAQUS显示算法中的应用，方便新用户或者对写子程序不太了解的用户使用。
考虑剪应力影响的GTN模型及其在abaqus中VUMAT子程序的实现
weixin_44873868的博客
08-14 3106
Gurson-Tvergaard-Needleman ( GTN) 模型是研究金属损伤的重要工具。GTN 模型通过孔洞体积分数的演变来判断材料的失效， 但不适用于剪切断裂为主的韧性断裂。本文在GTN模型中引入剪应力的影响，编写了相关的VUMAT子程序。 GTN模型的屈服函数可以用下式表示 其中q1，q2是模型参数，取q1=1.5，q2=1,σ0为等效应力，p为静水应力，q为Mises等效应力；f为空洞的体积分数。 p和q可以通过径向返回算法得到 应变控制的孔洞形核系数 GT
GTN-Graph Transformer Network 图变换网络 NeurIPS2019
u013602059的专栏
03-18 7678
来源：NeurIPS 2019 论文链接 代码链接 摘要 图神经网络（GNNs）在图表示学习中得到了广泛的应用，实现了节点分类和连接预测等任务的最佳性能。然而，大多数现有的GNNs都被设计为在固定（fix）和同质（homogeneous）的图上学习节点表示。当在不确定的图或由各种类型的节点和边组成的异构（heterogeneous）图上学习表示时，这些限制尤其成问题。本文提出了能够生成新的图结构...
GTN损伤子程序
qq_42244573的博客
03-03 658
GTN模型损伤子程序 修正GTN模型VUMAT子程序 详细了解+Q 1139587955
【论文阅读】Heterogeneous Graph Neural Network via Attribute Completion (WWW ‘21)【异构图神经网络】
qq_45721997的博客
03-08 6142
同构图 homogeneous graphs 异构图 heterogeneous graphs 异构信息网络 Heterogeneous information networks (HI
【图神经网络论文整理】（七）—— Graph Transformer Networks：GTNs
CSDN 精品推荐
11-25 1347
这表明GTN可以学习一个新的图结构，该结构由有用的元路径组成，用于学习更有效的节点表示。然而，大多数的GNN会存在一个局限性：就是它们只能处理同构图，同构图就是所有节点和边都是同类型，但是生活中会有很多场景是异构的，例如论文引用，这里会存在两种节点，一种是论文，另外一种节点是作者，很显然他在传统的图结构上多了一层信息，就是节点类型，所以传统GNN大多不能处理这种关系，但是有些做法就是忽略这些节点和边缘类型，将它们看成同种类型也就是同构图进行处理，显然这种做法不好，丧失了原图中的信息。
ICLR2023图神经网络相关的文章整理
jkokj23153的博客
10-05 1089
ICLR2023图神经网络相关的文章整理
[解读] GTN: Generative Teaching Networks
天在那边
04-25 1553
链接: https://arxiv.org/abs/1912.07768v1 参考: https://www.leiphone.com/news/201912/FBZsLSCZSgyD5fIq.html https://cloud.tencent.com/developer/news/492236 Generative Teaching Network (GTN), 它可以生成数据和训练环境, 让...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

追光者♂

谢谢你呀！一起加油！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值