Geometric字体是一款用于折叠设计方面的字体

tf_geometric 适用于TensorFlow 1.x和2.x的高效友好的图形神经网络库。 受rusty1s / pytorch_geometric的启发，我们为TensorFlow构建了一个GNN库。 主页和文档 主页： ： 文档： : （） 论文： 高效友好 我们使用消息传递机制来实现图神经网络，它比基于密集矩阵的实现高效，并且比基于稀疏矩阵的实现更友好。 另外，我们为复杂的GNN操作提供了简单而优雅的API。 下面的示例构造一个图，并在其上应用多头图注意力网络（GAT）： # coding=utf-8 import numpy as np import tf_geometric as tfg import tensorflow as tf graph = tfg . Graph ( x = np . random . randn ( 5 , 20 ),

Geometric Algebra Applications Vol. I: Computer Vision, Graphics and Neurocomputing By 作者: Eduardo Bayro-Corrochano ISBN-10 书号: 3319748289 ISBN-13 书号: 9783319748283 Edition 版本: 1st ed. 2019 出版日期: 2018-08-13 pages 页数: 753 $219.99 The goal of the Volume I Geometric Algebra for Computer Vision, Graphics and Neural Computing is to present a unified mathematical treatment of diverse problems in the general domain of artificial intelligence and associated fields using Clifford, or geometric, algebra. Geometric algebra provides a rich and general mathematical framework for Geometric Cybernetics in order to develop solutions, concepts and computer algorithms without losing geometric insight of the problem in question. Current mathematical subjects can be treated in an unified manner without abandoning the mathematical system of geometric algebra for instance: multilinear algebra, projective and affine geometry, calculus on manifolds, Riemann geometry, the representation of Lie algebras and Lie groups using bivector algebras and conformal geometry. By treating a wide spectrum of problems in a common language, this Volume I offers both new insights and new solutions that should be useful to scientists, and engineers working in different areas related with the development and building of intelligent machines. Each chapter is written in accessible terms accompanied by numerous examples, figures and a complementary appendix on Clifford algebras, all to clarify the theory and the crucial aspects of the application of geometric algebra to problems in graphics engineering, image processing, pattern recognition, computer vision, machine learning, neural computing and cognitive systems. 1 Geometric Algebra for the Twenty-First Century Cybernetics Part I Fundamentals of Geometric Algebra 2Introduction to Geometric Algebra 3 Differentiation,Linear,and Multilinear Functions in Geometric Algebra 4 Geometric Calculus 5 Lie Algebras,Lie Groups,and Algebra of Incidence Part ll Euclidean,Pseudo-Euclidean Geometric Algebras, Incidence Algebra,Conformal and Projective Geometric Algebras 62D,3D,and 4D Geometric Algebras 7 Kinematics of the 2D and 3D Spaces 8 Conformal Geometric Algebra 9 The Geometric Algebras G6,0,2+,G6,3,G9,3+,G6,0,6+ 10 Programming Issues Part ll Image Processing and Computer Vision 11 Quaternion-Clifford Fourier and Wavelet Transforms 12 Geometric Algebra of Computer Vision Part IV Machine Learning 13 Geometric Neurocomputing Part V Applications of GA in lmage Processing,Graphics and Computer Vision 14 Applications of Lie Filters,Quaternion Fourier,and Wavelet Transforms 15 Invariants Theory in Computer Vision and Omnidirectional Vision 16 Geometric Algebra Tensor Voting,Hough Transform,Voting and Perception Using Conformal Geometric Algebra 17 Modeling and Registration of Medical Data Part VI Applications of GA in Machine Learning 18 Applications in Neurocomputing 19 Neurocomputing for 2D Contour and 3D Surface Reconstruction 20 Clifford Algebras and Related Algebras

Geometric_Glovius三维模型查看工具，可以浏览多种格式的三维CAD模型

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和GIN）的消融研究。 进一步的信息和详细信息，请联系和 。 要求 （仅用于可视化） （仅用于可视化） conda环境 为了设置运行所有必要依赖项的conda环境， conda env create -f environment.yml 入门 您将在文件夹中找到有关如何使用我们的代码对3

主要邻里聚集 在PyTorch，DGL和PyTorch Geometric中实现图网的主要邻域聚合 。 概述 我们提供PyTorch，DGL和PyTorch Geometric框架中的主要邻域聚合（PNA）的实现，以及用于生成和运行多任务基准的脚本，用于运行实际基准的脚本，灵活的PyTorch GNN框架以及其他实现用于比较的模型。 该存储库的组织方式如下： models包含： pytorch包含在PyTorch中实现的各种GNN模型： 聚合器，缩放器和PNA层（ pna ）的实现 可以与任何类型的图卷积一起使用的灵活GNN框架（ gnn_framework.py ） 本文中用于比较的其他GNN模型的实现，即GCN，GAT，GIN和MPNN dgl包含通过实现的PNA模型：聚合器，缩放器和层。 pytorch_geometric包含通过实现的PNA模型：聚合器，缩放器和图层。

MaSIF-分子表面相互作用指纹：进行几何深度学习以破译蛋白质分子表面中的图案。 目录： Docker容器 执照 参考 描述 MaSIF是一种概念验证方法，可解密对于特定生物分子相互作用至关重要的蛋白质表面中的模式。 为此，MaSIF利用了几何深度学习领域的技术。 首先，MaSIF将表面分解为具有固定测地线半径的重叠径向小块，其中每个点都分配有一系列几何和化学特征。 然后，MaSIF为每个表面补丁计算一个描述符，该描述符是对补丁中存在的特征的描述进行编码的向量。 然后，可以在一组附加层中处理此描述符，在其中可以对不同的交互进行分类。 每个描述符和最终输出中编码的功能取决于特定于应用程序的训练数据和优化目标，这意味着可以将同一体系结构重新用于各种任务。 该存储库包含一个协议，用于将蛋白质结构文件准备为功能丰富的表面（具有几何和化学特征），将其分解为补丁，以及基于tensorflow的神经

劳埃德算法 该软件包提供Lloyd算法的Python实现，可用于在空间中分布点。 使用此算法，可以在二维空间内稍微重新排列点，以最大程度地减少重叠点的数量，同时保留整体点的分布，从而可以大大提高数据可视化的可用性。 背景 是一种在空间中分布点的算法。 在每次迭代期间，该算法都会构建一个，该将每个点放置在不同的单元格中，然后将每个点置于其单元格的中心。 通过运行算法的几次迭代，可以在空间中越来越均匀地分布点。 下图显示了劳埃德算法如何在空间中分配点： 用法 该软件包可以通过pip安装： pip install lloyd 安装软件包后，可以通过构建模型，在该模型上调用lloyd.relax(

Geometric Tools for Computer Graphics 图形学领域的经典几何工具书，包含非常多的算法（英文版）

几何测度论的经典之作。对学习几何的同学很有帮助。