torch_geometric--Convolutional Layers

news2024/11/15 18:38:08

torch_geometric–Convolutional Layers

卷积层

MessagePassing


式中 口 口 口表示可微的排列不变函数，例如: sum, mean, min, max 或者 mul 和
γ Θ \gamma_{\Theta} γΘ​和 ϕ Θ \phi_{\Theta} ϕΘ​表示可微函数，例如 MLPs. 请参见这里的附带教程。

参数

  • aggr (str or [str] or Aggregation, 可选)使用的聚合方案，例如，“add”，“sum”，“mean”，“min”，“max”或“mul”。此外，可以是任何Aggregation模块(或自动解析到它的任何字符串)。如果以列表形式给出，将使用多个聚合，其中不同的输出将在最后一个维度中连接。如果设置为None, messageppassing实例化将通过aggregate()实现自己的聚合逻辑。(默认值:“add”)
  • aggr_kwargs (Dict[str, Any], optional)传递给各自聚合函数的参数
  • flow (str，可选)消息传递的流向(“源到目标”或“目标到源”)。(默认值:“source to target”)
  • node_dim (int, 可选)传播所沿的轴。(默认值:2)
  • decomposed_layers(int，可选) 特征分解层的数量，如在边缘计算平台上优化图神经网络的内存效率论文中介绍的那样。在GNN聚合过程中，特征分解通过将特征维分割成独立的特征分解层来减少峰值内存使用。这种方法可以在基于cpu的平台上加速GNN的执行(例如，在Reddit数据集上加速2-3倍)，用于常见的GNN模型，如GCN、GraphSAGE、GIN等。然而，该方法并不适用于所有可用的GNN算子，特别是消息计算不容易分解的算子，例如基于注意力的GNN。分解层的最优值的选择既取决于具体的图数据集，也取决于可用的硬件资源。 在大多数情况下，值2是合适的。尽管峰值内存使用与特征分解的粒度直接相关，但对于执行速度不一定如此。(默认值:1)

方法

  • propagate(edge_index: Union[Tensor, SparseTensor], size: Optional[Tuple[int, int]] = None, **kwargs)
    开始传播消息的初始调用。

    • edge_index(Tensor or SparseTensor) – 定义底层图形连接/消息传递流的 torch.LongTensor、torch_sparse.SparseTensor 或 torch.sparse.Tensor。 edge_index 保存形状为 [N, M] 的一般（稀疏）分配矩阵的索引。 如果 edge_index 是 torch.LongTensor 类型，则其形状必须定义为 [2, num_messages]，其中来自 edge_index[0] 中的节点的消息被发送到 edge_index[1] 中的节点（在 flow=“source_to_target” 的情况下）。 如果 edge_index 是 torch_sparse.SparseTensor 或 torch.sparse.Tensor 类型，它的稀疏索引（行，列）应该与 row = edge_index[1] 和 col = edge_index[0] 相关。 两种格式的主要区别在于我们需要将转置的稀疏邻接矩阵输入到 propagate() 中。
    • size (tuple, optional) – 在 edge_index 是 LongTensor 的情况下分配矩阵的大小 (N, M)。 如果设置为 None，大小将被自动推断并假定为二次方。 如果 edge_index 是 torch_sparse.SparseTensor 或 torch.sparse.Tensor，则忽略此参数。 （默认值：无）
    • **kwargs构造和聚合消息以及更新节点嵌入所需的任何额外数据。

  • edge_updater(edge_index: Union[Tensor, SparseTensor], **kwargs)

    • edge_index (Tensor or SparseTensor) 定义底层图形连接/消息传递流的 torch.LongTensor、torch_sparse.SparseTensor 或 torch.sparse.Tensor。 有关详细信息，请参阅propagate(）。
    • **kwargs – 计算或更新图中每条边的特征所需的任何额外数据。

  • message(x_j: Tensor)
    构造从节点j到节点i的消息，类似于边索引中edge_index的 ϕ Θ \phi_{\Theta} ϕΘ​。此函数可以将任何参数作为输入，最初传递 propagate()。此外，通过将_i或_j附加到变量名称.比如x_i和x_j。

  • aggregate(inputs: Tensor, index: Tensor, ptr: Optional[Tensor] = None, dim_size: Optional[int] = None)

    聚合来自邻居的消息为 □ j ∈ N ( i ) \square_{j \in \mathcal{N}(i)} □j∈N(i)​
    接受消息计算的输出作为第一个参数和最初传递给propagate()的任何参数。
    默认情况下，该函数将把它的调用委托给底层的Aggregation模块，通过aggr减少 init()中指定的消息参数。

  • message_and_aggregate(adj_t: Union[SparseTensor, Tensor])
    将message()和aggregate()的计算融合为一个函数。如果适用，这将节省时间和内存，因为消息不需要显式地物化。只有在实现它的情况下，此功能才会被调用，并且基于torch_sparse.SparseTensor或torch.sparse.Tensor进行传播。

  • update(inputs: Tensor)
    为每个节点 i ∈ V i \in V i∈V更新节点嵌入，类似于 γ Θ \gamma_{\Theta} γΘ​。接受聚合的输出作为第一个参数和最初传递给propagate()的任何参数。

  • edge_update()
    计算或更新图中每条边的特征。此函数可以接受最初传递给edge_updater()的任何参数作为输入, 此外，传递给edge updater()的张量可以通过在变量名后附加i或j来映射到各自的节点_i和_j。比如：x_i和x_j。

  • register_propagate_forward_pre_hook(hook: Callable)
    在模块上注册一个前向预钩子。每次propagate()调用之前都会调用钩子。

  • register_propagate_forward_hook(hook: Callable)
    钩子可以修改输入。输入关键字参数作为inputs[-1]中的字典传递给钩子。
    返回一个torch.utils.hooks.RemovableHandle，可用于通过调用handle.remove()删除添加的钩子。

  • register_message_forward_pre_hook(hook: Callable)

  • register_message_forward_hook(hook: Callable)

  • register_aggregate_forward_pre_hook(hook: Callable)

  • register_aggregate_forward_hook(hook: Callable)

  • register_message_and_aggregate_forward_pre_hook(hook: Callable)

  • register_message_and_aggregate_forward_hook(hook: Callable)

  • register_edge_update_forward_pre_hook(hook: Callable)

  • register_edge_update_forward_hook(hook: Callable)

  • jittable(typing: Optional[str] = None)

GCNConv

图卷积算子来自 “Semi-supervised Classification with Graph Convolutional Networks” 论文
X ′ = D ^ − 1 / 2 A ^ D ^ − 1 / 2 X Θ , \mathbf{X}^{\prime} = \mathbf{\hat{D}}^{-1/2} \mathbf{\hat{A}} \mathbf{\hat{D}}^{-1/2} \mathbf{X} \mathbf{\Theta}, X′=D^−1/2A^D^−1/2XΘ,
其中， A ^ = A + I \mathbf{\hat{A}} = \mathbf{A} + \mathbf{I} A^=A+I表示插入自循环和的邻接矩阵,并且 D ^ i i = ∑ j = 0 A ^ i j \hat{D}_{ii} = \sum_{j=0} \hat{A}_{ij} D^ii​=∑j=0​A^ij​它的对角度矩阵。邻接矩阵可以包括除1以外的其他值，通过可选的edge_weight张量表示边权。
其节点式由
x i ′ = Θ ⊤ ∑ j ∈ N ( v ) ∪ { i } e j , i d ^ j d ^ i x j \mathbf{x}^{\prime}_i = \mathbf{\Theta}^{\top} \sum_{j \in \mathcal{N}(v) \cup \{ i \}} \frac{e_{j,i}}{\sqrt{\hat{d}_j \hat{d}_i}} \mathbf{x}_j xi′​=Θ⊤j∈N(v)∪{i}∑​d^j​d^i​ ​ej,i​​xj​
关于 d ^ i = 1 + ∑ j ∈ N ( i ) e j , i \hat{d}_i = 1 + \sum_{j \in \mathcal{N}(i)} e_{j,i} d^i​=1+∑j∈N(i)​ej,i​。其中 e j , i e_{j,i} ej,i​
表示从源节点 j j j到目标节点 i i i的边权值(默认值:1.0)

参数

  • in_channels (int) – 每个输入样本的大小，或-1来导出从第一个输入到正向方法的大小。
  • out_channels (int) - 每个输出样本的大小。
  • improved (bool, optional) - 如果设置为true，则该层计算 A ^ \mathbf{\hat{A}} A^为 A + 2 I \mathbf{A} + 2\mathbf{I} A+2I(默认：false)。
  • cached (bool, optional) – 如果设置为True，该层将在第一次执行时缓存 D ^ − 1 / 2 A ^ D ^ − 1 / 2 \mathbf{\hat{D}}^{-1/2} \mathbf{\hat{A}} \mathbf{\hat{D}}^{-1/2} D^−1/2A^D^−1/2的计算，并将使用缓存的版本进行进一步的执行。
  • add_self_loops (bool, optional) – 该参数只能在转导学习场景中设置为True。(默认值:False)
  • normalize (bool, optional) – 是否添加自循环和动态计算对称归一化系数。(默认值是True)
  • bias (bool, optional) – 如果设置为False，该层将不会学习加性偏差。(默认值是default: True)
  • **kwargs (optional) – messageppassing的附加参数。

forward
forward(x: Tensor, edge_index: Union[Tensor, SparseTensor], edge_weight: Optional[Tensor] = None)→ Tensor[source]

SAGEConv

GraphSAGE 论文来自“Inductive Representation Learning on Large Graphs”

x i ′ = W 1 x i + W 2 ⋅ m e a n j ∈ N ( i ) x j \mathbf{x}^{\prime}_i = \mathbf{W}_1 \mathbf{x}_i + \mathbf{W}_2 \cdot \mathrm{mean}_{j \in \mathcal{N(i)}} \mathbf{x}_j xi′​=W1​xi​+W2​⋅meanj∈N(i)​xj​
如果project = True，那么 x j x_j xj​将首先通过投影
x j ← σ ( W 3 x j + b ) \mathbf{x}_j \leftarrow \sigma ( \mathbf{W}_3 \mathbf{x}_j + \mathbf{b}) xj​←σ(W3​xj​+b)

ChebConv

The chebyshev spectral graph convolutional operator from the “Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering” paper

SAGEConv

The GraphSAGE operator from the “Inductive Representation Learning on Large Graphs” paper

GraphConv

The graph neural network operator from the “Weisfeiler and Leman Go Neural: Higher-order Graph Neural Networks” paper

GravNetConv

The GravNet operator from the “Learning Representations of Irregular Particle-detector Geometry with Distance-weighted Graph Networks” paper, where the graph is dynamically constructed using nearest neighbors.

GatedGraphConv

The gated graph convolution operator from the “Gated Graph Sequence Neural Networks” paper

ResGatedGraphConv

The residual gated graph convolutional operator from the “Residual Gated Graph ConvNets” paper

GATConv

The graph attentional operator from the “Graph Attention Networks” paper

FusedGATConv

The fused graph attention operator from the “Understanding GNN Computational Graph: A Coordinated Computation, IO, and Memory Perspective” paper.

GATv2Conv

The GATv2 operator from the “How Attentive are Graph Attention Networks?” paper, which fixes the static attention problem of the standard GATConv layer.

TransformerConv

The graph transformer operator from the “Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification” paper

AGNNConv

The graph attentional propagation layer from the “Attention-based Graph Neural Network for Semi-Supervised Learning” paper

TAGConv

The topology adaptive graph convolutional networks operator from the “Topology Adaptive Graph Convolutional Networks” paper

GINConv

The graph isomorphism operator from the “How Powerful are Graph Neural Networks?” paper

GINEConv

The modified GINConv operator from the “Strategies for Pre-training Graph Neural Networks” paper

ARMAConv

The ARMA graph convolutional operator from the “Graph Neural Networks with Convolutional ARMA Filters” paper

SGConv

The simple graph convolutional operator from the “Simplifying Graph Convolutional Networks” paper

SSGConv

The simple spectral graph convolutional operator from the “Simple Spectral Graph Convolution” paper

APPNP

The approximate personalized propagation of neural predictions layer from the “Predict then Propagate: Graph Neural Networks meet Personalized PageRank” paper

MFConv

The graph neural network operator from the “Convolutional Networks on Graphs for Learning Molecular Fingerprints” paper

RGCNConv

The relational graph convolutional operator from the “Modeling Relational Data with Graph Convolutional Networks” paper

FastRGCNConv

See RGCNConv.

RGATConv

The relational graph attentional operator from the “Relational Graph Attention Networks” paper.

SignedConv

The signed graph convolutional operator from the “Signed Graph Convolutional Network” paper

DNAConv

The dynamic neighborhood aggregation operator from the “Just Jump: Towards Dynamic Neighborhood Aggregation in Graph Neural Networks” paper

PointNetConv

The PointNet set layer from the “PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation” and “PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space” papers

PointConv

alias of PointNetConv

GMMConv

The gaussian mixture model convolutional operator from the “Geometric Deep Learning on Graphs and Manifolds using Mixture Model CNNs” paper

SplineConv

The spline-based convolutional operator from the “SplineCNN: Fast Geometric Deep Learning with Continuous B-Spline Kernels” paper

NNConv

The continuous kernel-based convolutional operator from the “Neural Message Passing for Quantum Chemistry” paper.

ECConv

alias of NNConv

CGConv

The crystal graph convolutional operator from the “Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties” paper

EdgeConv

The edge convolutional operator from the “Dynamic Graph CNN for Learning on Point Clouds” paper

DynamicEdgeConv

The dynamic edge convolutional operator from the “Dynamic Graph CNN for Learning on Point Clouds” paper (see torch_geometric.nn.conv.EdgeConv), where the graph is dynamically constructed using nearest neighbors in the feature space.

XConv

The convolutional operator on
-transformed points from the “PointCNN: Convolution On X-Transformed Points” paper

PPFConv

The PPFNet operator from the “PPFNet: Global Context Aware Local Features for Robust 3D Point Matching” paper

FeaStConv

The (translation-invariant) feature-steered convolutional operator from the “FeaStNet: Feature-Steered Graph Convolutions for 3D Shape Analysis” paper

PointTransformerConv

The Point Transformer layer from the “Point Transformer” paper

HypergraphConv

The hypergraph convolutional operator from the “Hypergraph Convolution and Hypergraph Attention” paper

LEConv

The local extremum graph neural network operator from the “ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations” paper, which finds the importance of nodes with respect to their neighbors using the difference operator:

PNAConv

The Principal Neighbourhood Aggregation graph convolution operator from the “Principal Neighbourhood Aggregation for Graph Nets” paper

ClusterGCNConv

The ClusterGCN graph convolutional operator from the “Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks” paper

GENConv

The GENeralized Graph Convolution (GENConv) from the “DeeperGCN: All You Need to Train Deeper GCNs” paper.

GCN2Conv

The graph convolutional operator with initial residual connections and identity mapping (GCNII) from the “Simple and Deep Graph Convolutional Networks” paper

PANConv

The path integral based convolutional operator from the “Path Integral Based Convolution and Pooling for Graph Neural Networks” paper

WLConv

The Weisfeiler Lehman operator from the “A Reduction of a Graph to a Canonical Form and an Algebra Arising During this Reduction” paper, which iteratively refines node colorings:

WLConvContinuous

The Weisfeiler Lehman operator from the “Wasserstein Weisfeiler-Lehman Graph Kernels” paper.

FiLMConv

The FiLM graph convolutional operator from the “GNN-FiLM: Graph Neural Networks with Feature-wise Linear Modulation” paper

SuperGATConv

The self-supervised graph attentional operator from the “How to Find Your Friendly Neighborhood: Graph Attention Design with Self-Supervision” paper

FAConv

The Frequency Adaptive Graph Convolution operator from the “Beyond Low-Frequency Information in Graph Convolutional Networks” paper

EGConv

The Efficient Graph Convolution from the “Adaptive Filters and Aggregator Fusion for Efficient Graph Convolutions” paper.

PDNConv

The pathfinder discovery network convolutional operator from the “Pathfinder Discovery Networks for Neural Message Passing” paper

GeneralConv

A general GNN layer adapted from the “Design Space for Graph Neural Networks” paper.

HGTConv

The Heterogeneous Graph Transformer (HGT) operator from the “Heterogeneous Graph Transformer” paper.

HEATConv

The heterogeneous edge-enhanced graph attentional operator from the “Heterogeneous Edge-Enhanced Graph Attention Network For Multi-Agent Trajectory Prediction” paper, which enhances GATConv by:

HeteroConv

A generic wrapper for computing graph convolution on heterogeneous graphs.

HANConv

The Heterogenous Graph Attention Operator from the “Heterogenous Graph Attention Network” paper.

LGConv

The Light Graph Convolution (LGC) operator from the “LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation” paper

PointGNNConv

The PointGNN operator from the “Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud” paper

GPSConv

The general, powerful, scalable (GPS) graph transformer layer from the “Recipe for a General, Powerful, Scalable Graph Transformer” paper.

补充

Sequential

torch.nn.Sequential容器的扩展，用于定义顺序GNN模型。由于GNN操作符接受多个输入参数，因此torch geometry.nn.sequential既需要全局输入参数，也需要单个操作符的函数头定义。如果省略，中间模块将对前一个模块的输出进行操作

from torch.nn import Linear, ReLU
from torch_geometric.nn import Sequential, GCNConv

model = Sequential('x, edge_index', [
    (GCNConv(in_channels, 64), 'x, edge_index -> x'),
    ReLU(inplace=True),
    (GCNConv(64, 64), 'x, edge_index -> x'),
    ReLU(inplace=True),
    Linear(64, out_channels),
])

其中’x, edge index’定义了模型的输入参数，'x, edge index -> x’定义了GCNConv的函数头，即输入参数和返回类型。
特别是，这还允许创建更复杂的模型，例如使用JumpingKnowledge

from torch.nn import Linear, ReLU, Dropout
from torch_geometric.nn import Sequential, GCNConv, JumpingKnowledge
from torch_geometric.nn import global_mean_pool

model = Sequential('x, edge_index, batch', [
    (Dropout(p=0.5), 'x -> x'),
    (GCNConv(dataset.num_features, 64), 'x, edge_index -> x1'),
    ReLU(inplace=True),
    (GCNConv(64, 64), 'x1, edge_index -> x2'),
    ReLU(inplace=True),
    (lambda x1, x2: [x1, x2], 'x1, x2 -> xs'),
    (JumpingKnowledge("cat", 64, num_layers=2), 'xs -> x'),
    (global_mean_pool, 'x, batch -> x'),
    Linear(2 * 64, dataset.num_classes),
])
  • input_args (str) – 模型的输入参数。.
  • modules ([(str, Callable) or Callable]) – 模块列表(带有可选的函数头定义)。或者，可以传递模块(和函数头定义)的OrderedDict。

Linear

对传入数据应用线性转换

类似torch.nn.Linear。它支持延迟初始化和可定制的权重和偏差初始化。

  • in channels (int)每个输入样本的大小。将被惰性地初始化，如果它被赋值为-1。
  • out channels (int)每个输出样本的大小。
  • bias (bool，可选)如果设置为False，该层将不会学习加性偏差。(默认值:True)- weight_initializer 式(str，可选)权重矩阵的初始化式(“glorot”， “uniform”， "kaiming uniform"或None)。如果设置为None，将匹配torch.nn.Linear的默认权重初始化。(默认值:None)
  • bias_initializer(str，可选)偏差向量("zeros"或None)的初始化器。如果设置为None，将匹配中的默认偏置

HeteroLinear


根据类型对传入数据应用单独的线性转换

对于类型k, 它支持延迟初始化和可定制的权重和偏差初始化。

  • in channels (int)每个输入样本的大小。将被惰性地初始化，如果它被赋值为-1。
  • out channels (int)每个输出样本的大小。
  • num types (int)类型的个数。
  • is_sorted (bool，可选)如果设置为True，则假设类型vec已排序。这避免了数据的内部重新排序，并可以提高运行时和内存效率。(默认值:False)
  • **kwargs(可选)torch geometry .nn. linear的附加参数。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/193113.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

JDBC-BasicDAO

JDBC-BasicDAO

引入 之前的sql语句是固定的只能通过参数传入，要写那么多方法肯定不好弄 这就引出了DAO 这里是整个流程示意图 最下面开始说 就是mysql库的每一张表对应一个JavaBean 右边是我们获取和关闭连接的工具类 上面XXXDAO的意思是 每一个表，都有一个与之对应的D…
阅读更多...
高压放大器在镓基液态金属微型马达驱动实验研究中的应用

高压放大器在镓基液态金属微型马达驱动实验研究中的应用

实验名称：高压放大器在镓基液态金属微型马达驱动实验研究中的应用 研究方向：新型材料 测试目的： 微/纳马达虽然是一种以实际应用为基础的动力装置，但其在科学研究方面的价值也尤为重要。在微/纳米尺度下，它可以接受能量…
阅读更多...
【测试如何学代码？】学习代码的最佳实践经验分享

【测试如何学代码？】学习代码的最佳实践经验分享

为什么要写这篇？ 经常在群里看到大家问：该选择哪门语言？哪门语言有钱途？ 其实，不管哪门语言，只要深入学好了都不会差，当然，我们选择语言最好还是要和自己的技术方向及职业发展相匹配…
阅读更多...
基于php的高校社团信息管理系统

基于php的高校社团信息管理系统

摘 要社团是由高校用户依据兴趣爱好自愿组成，按照章程自主开展活动的用户组织。高校社团是实施素质教育的重要途径和有效方式，在加强校园文化建设、提高用户综合素质、引导用户适应社会、促进用户交流等方面发挥着重要作用，是新形势下有效凝聚…
阅读更多...
Android studio:Could not find method compile() for arguments 问题解决及两种解决方法探讨延伸

Android studio:Could not find method compile() for arguments 问题解决及两种解决方法探讨延伸

Could not find method compile() for arguments 问题全称 Could not find method compile() for arguments [org.tensorflow:tensorflow-lite:] on object of type org.gradle.api.internal.artifacts.dsl.dependencies.DefaultDependencyHandler. 如图 解决方法1(简单) …
阅读更多...
[数据结构基础]排序算法第四弹 -- 归并排序和计数排序

[数据结构基础]排序算法第四弹 -- 归并排序和计数排序

目录 一. 归并排序 1.1 归并排序的实现思想 1.2 归并排序的递归实现 1.2.1 归并排序递归实现的思想 1.2.2 归并排序递归实现的代码 1.3 归并排序的非递归实现 1.3.1 归并排序非递归实现的思想 1.3.2 归并排序非递归实现的代码 1.4 归并排序的时间复杂度分析 二. 计数排…
阅读更多...
c++之模板【进阶版】

c++之模板【进阶版】

前言 对于泛型编程，学好模板这节内容是非常有必要的。在前面学习的STL中，由于模板的可重性和扩展性，几乎所有的代码都采用了模板类和模板函数的方式，这相比于传统的由函数和类组成的库来说提供了更好的代码重用机会。 模板初阶 …
阅读更多...
Hugging face教程-使用速查表-快速入门

Hugging face教程-使用速查表-快速入门

Hugging face笔记 course url：https://huggingface.co/course/chapter5/8?fwpt 函数详细情况：https://huggingface.co/docs/transformers/main_classes/pipelines#transformers.TokenClassificationPipeline 基础掌握transformers和datasets&#xf…
阅读更多...
软件测试 利器 | AppCrawler 自动遍历测试工具实践（一）

软件测试 利器 | AppCrawler 自动遍历测试工具实践（一）

本文为霍格沃兹测试学院学院学员课程学习笔记，系统学习交流文末加群。 AppCrawler 是由霍格沃兹测试学院校长思寒开源的一个项目,通过名字我们大概也能猜出个方向，Crawler 是爬虫的意思，App 的爬虫，遍历 App ： 官方 G…
阅读更多...
linux性能优化-中断

linux性能优化-中断

一、概念 中断其实是一种异步的事件处理机制，可以提高系统的并发处理能力。Linux将中断处理过程分成了两个阶段：上半部和下半部 （1）上半部用来快速处理中断，它在中断禁止模式下运行，主要处理跟硬件紧密相关…
阅读更多...
云计算是什么

云计算是什么

📒博客主页： 微笑的段嘉许博客主页 🎉欢迎关注🔎点赞👍收藏⭐留言📝 📌本文由微笑的段嘉许原创！ 📆51CTO首发时间：🌴2023年2月1日🌴 ✉…
阅读更多...
gcc 简介

gcc 简介

一、gcc简介gcc与g，当程序中出现using namespace std等带有c特性的语句时，如果用gcc编译时，必须显式地指明这个程序要用c编译库编译，而g可以直接编译。二、gcc支持的文件.c，c语言的源程序.C, c的源程序.cc，…
阅读更多...
数据结构——堆的介绍以及应用

数据结构——堆的介绍以及应用

前言：对于数据结构而言，大多存在着对应的物理结构和逻辑结构，而我们一开始介绍的顺序表，链表，栈，队列等的物理结构和逻辑结构还是比较类似的。今天要介绍的堆则有所不同，其物理结构是数组&#…
阅读更多...
JS前端基于canvas给图片添加水印，并下载带有水印的图片

JS前端基于canvas给图片添加水印，并下载带有水印的图片

基于canvas给图片添加水印实现效果图图片添加水印的步骤1.获取图片路径，将图片转换为canvas2.canvas画布上绘制文字水印3.水印绘制完成后，将canvas转换为图片格式4.水印绘制完成后，将canvas下载为图片完整代码总结1、在utils.js 封装添加水印…
阅读更多...
POE交换机全方位解读（中）

POE交换机全方位解读（中）

POE供电距离到底怎么算 只针对符合IEEE802.3af/at 标准PoE设备 ① 网线对供电距离的影响 首先我们先来看下表IEEE802.af和IEEE802.3at标准中对Cat5e网线要求： 说明：Type 1 value和Type 2 value 分别指IEEE802.3af和IEEE802.3at的要求。 从表中可以看出&a…
阅读更多...
PCB电路板单面板和双面板的区别和共同点

PCB电路板单面板和双面板的区别和共同点

PCB电路板可以分为单面板、双面板和多面板，我们常用的主要是单面板和双面板，那么单面板和双面板有哪些区别呢？在了解二者区别前，沐渥小编先给大家介绍一下什么是单面板和双面板。 单面板是指单面的线路板，元器件在一面…
阅读更多...
如何实现报表集成？（四）——权限集成

如何实现报表集成？（四）——权限集成

在上一篇，我们介绍了报表工具的资源集成，基本知道了报表工具链接、模块、页面和移动端如何实现集成。 这一篇，我们看下如何做权限集成。使用第三方系统的资源权限验证 实际上往往存在多个系统需要统一权限认证，用户要求将某个系统…
阅读更多...
PixelLib图像分割

PixelLib图像分割

文章目录前言一、PixelLib依赖安装二、实例模型训练前言 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。 传统的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方…
阅读更多...
Mybatis核心原理梳理

Mybatis核心原理梳理

文章目录Mybatis的简单使用Mybatis组件名词介绍Mybatis主要工作流程Mybatis如何控制事务Mybatis中事务的生命周期一二级缓存分别如何生效一二级缓存分别如何失效一级缓存的实体可能会被修改Mybatis中的已经存在PooledDataSource连接池为啥还选择Durid等为啥连接close之后被没有…
阅读更多...
如何获取 WWDC 视频对应的官方源代码？

如何获取 WWDC 视频对应的官方源代码？

零 概览 每年的 WWDC（The Apple Worldwide Developers Conference） 是 Apple 开发者的盛大节日，我们可以从 WWDC 海量官方视频中学到大量的知识。 不过，有些视频仅包含一些“惨不忍睹”（由于网络质量差等原因&#…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023