快速节点嵌入算法。 GraphWave的实现[1] [1] ·· GraphWave实现 GraphWave [1]是一种节点嵌入算法，由Claire Donnat，Marinka Zitnik，David Hallac和Jure Leskovec于2018年提出。它使用了离散信号处理技术。 此处发布的版本使用传播的图信号的快速切比雪夫近似值。 此外，我们构建了一些简单的可视化框架，以便可以轻松地可视化传播的图形信号。 例子 一个在单个节点上具有delta小波的随机图。 颜色显示热量散布（注意：色标随时间变化）。 节点嵌入的二维主成分分析（PCA）。 执照 根据MIT许可证分发。 接触 蒂姆·罗纳（Tim Rohner） 项目链接： :

使用词图方法与词袋方法进行文本分类 介绍 该项目的目标是使用向量空间模型对一定数量的文本进行分类，向量空间模型是文档的空间表示形式。 每个文档都可以描述为具有一定数量特征的矢量，每个特征对应于训练词汇集中的特定单词。 所使用的数据集是经过预处理的路透数据集，其中包含5,495个培训文档和2,189个测试文档，并带有8个不同的标签。 预处理已用于将标记化，停用词删除和词干应用于初始文本。 笔记本中描述的方法背后的想法是构造“智能”文档术语矩阵，即大小为n×m的矩阵，其中n是文档数，m是要素数，选择“正确的”权重进行填充在这些矩阵中。 “好”的权重可以区分不同的文本标签，并且对于将要使用的任何学习算法都将有很大的帮助。 词袋与词图 在通常的单词表示法包中，不考虑文本中不同单词之间的顺序； 它是使用TfidfVectorizer在此处构建的。 与单词袋表示法不同，单词图表示法根据单词在文本中的位

R Graph cookbook 中的数据文件和实例

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

图卷积神经网络及其应用，来自中科院计算所沈华伟博士在ICLR 2019顶会上的演讲稿，欢迎大家下载学习。

安装v53需要在安装了v52版本的情况下。本次版本是最高版本，支持s7 v5。5 版本

焦点深度 离焦/散焦深度是从场景的两个或多个图像的集合中估计场景的 3D 表面的问题。 图像是通过改变相机参数（通常是焦点设置或图像平面轴向位置）获得的，并从相同的角度拍摄。 要求 要运行此代码，您需要安装一个包 。 它必须按照各自项目页面上的说明单独安装。 管道 1. 图像对齐：基于特征的对齐 [1, 2, 3] 将 RGB 图像 A 和 B 转换为灰度图像 A' 和 B' 检测SIFT特征 A' 和 B' 匹配 A' 和 B' 之间的特征 计算 A' 和 B' 之间的单应性 使用单应性将 A 与 B 对齐 对所有图像序列（焦点堆栈）重复 1)~5)。 2. 焦点测量的初始深度 [4, 5, 6, 7] Focus Measure 算子计算图像中的最佳聚焦点，即Focus Measure 被定义为用于局部评估像素锐度的量。 当以小景深拍摄图像时，远离相机的物体会失焦并被认为是模糊

本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。 文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg

Graph Similarity and Classification，来自法国LIX实验室的Michalis教授在清华大学的演讲稿。

真棒图神经网络：图神经网络的论文清单