该文件夹里有以下内容： Generative Adversarial Nets [PDF论文] Image Generation from Scene Graphs [PDF论文] Image Generation from Scene Graphs [PPT讲解] StackGAN [PDF论文] StackGAN++_Realistic Image Synthesis with Stacked Generative Adversarial Networks [PDF论文] 上传的PPT是根据这篇论文制作的，如果你想向别人做技术分享，可以在我的PPT上进行修改，关于这篇论文的讲解可以查看我的CSDN博客，Image Generation这篇论文的PDF中有我的阅读注释。附博客链接，欢迎大家和我讨论，如有出错欢迎指正：https://blog.csdn.net/luolan9611/article/details/79899325

graph.h

graph.c

visual graph入门教程visual graph入门教程visual graph入门教程visual graph入门教程visual graph入门教程

# GPF ## 一、GPF（Graph Processing Flow）：利用图神经网络处理问题的一般化流程 1、图节点预表示：利用NE框架，直接获得全图每个节点的Embedding; 2、正负样本采样：（1）单节点样本；（2）节点对样本； 3、抽取封闭子图：可做类化处理，建立一种通用图数据结构; 4、子图特征融合：预表示、节点特征、全局特征、边特征; 5、网络配置：可以是图输入、图输出的网络；也可以是图输入，分类/聚类结果输出的网络; 6、训练和测试; ## 二、主要文件： 1、graph.py：读入图数据; 2、embeddings.py：预表示学习; 3、sample.py：采样; 4、subgraphs.py/s2vGraph.py：抽取子图; 5、batchgraph.py：子图特征融合; 6、classifier.py：网络配置; 7、parameters.py/until.py:参数配置/帮助文件; ## 三、使用 1、在parameters.py中配置相关参数（可默认）； 2、在example/文件夹中运行相应的案例文件--包括链接预测、节点状态预测； 以链接预测为例： ### 1、导入配置参数 ```from parameters import parser, cmd_embed, cmd_opt``` ### 2、参数转换 ``` args = parser.parse_args() args.cuda = not args.noCuda and torch.cuda.is_available() torch.manual_seed(args.seed) if args.cuda: torch.cuda.manual_seed(args.seed) if args.hop != 'auto': args.hop = int(args.hop) if args.maxNodesPerHop is not None: args.maxNodesPerHop = int(args.maxNodesPerHop) ``` ### 3、读取数据 ``` g = graph.Graph() g.read_edgelist(filename=args.dataName, weighted=args.weighted, directed=args.directed) g.read_node_status(filename=args.labelName) ``` ### 4、获取全图节点的Embedding ``` embed_args = cmd_embed.parse_args() embeddings = embeddings.learn_embeddings(g, embed_args) node_information = embeddings #print node_information ``` ### 5、正负节点采样 ``` train, train_status, test, test_status = sample.sample_single(g, args.testRatio, max_train_num=args.maxTrainNum) ``` ### 6、抽取节点对的封闭子图 ``` net = until.nxG_to_mat(g) #print net train_graphs, test_graphs, max_n_label = subgraphs.singleSubgraphs(net, train, train_status, test, test_status, args.hop, args.maxNodesPerHop, node_information) print('# train: %d, # test: %d' % (len(train_graphs), len(test_graphs))) ``` ### 7、加载网络模型，并在classifier中配置相关参数 ``` cmd_args = cmd_opt.parse_args() cmd_args.feat_dim = max_n_label + 1 cmd_args.attr_dim = node_information.shape[1] cmd_args.latent_dim = [int(x) for x in cmd_args.latent_dim.split('-')] if len(cmd_args.latent_dim)

关于子图同构算法VF2的论文，实现和测试数据。用于学习子图同构算法，用作借鉴。

经典书籍：An Introduction to the Theory of Graph Spectra PDF版

图论导引习题答案 第二版 Introduction to Graph Theory solution manual SECOND EDITION (2001) SUMMER 2005 VERSION DOUGLAS B. WEST MATHEMATICS DEPARTMENT UNIVERSITY OF ILLINOIS

图割和graph cut 实现的交互式图像分割，实现了图割的交互式分割和两者的结合。对学习图割的人有很大帮助。

S7-Graph汉化，测试过，好用。复制替换到s7graph文件中即可。