PyTorch Geometric（PyG）：基于PyTorch的图神经网络（GNN）开发框架

PyTorch Geometric（PyG）：基于PyTorch的图神经网络（GNN）开发框架

一、PyG核心功能全景图

PyTorch Geometric（PyG）是基于PyTorch的图神经网络（GNN）开发框架，专为不规则结构数据（如图、网格、点云）设计，提供从数据加载、模型构建到训练优化的全流程工具链。其核心功能包括：

（一）多样化图算法支持

  • 经典GNN模型：实现GCN、GAT、GraphSAGE、GIN等主流图卷积算法，支持节点/图分类、链路预测等任务。
  • 几何深度学习：涵盖3D网格（Mesh）和点云（Point Cloud）处理工具，如torch_geometric.transforms中的点云增强算子。
  • 注意力机制：内置多头注意力层（GATConv）、全局注意力（GlobalAttention），支持自定义注意力逻辑。

（二）高效数据处理与批量操作

  • 统一数据结构：通过Data类表示单图（节点特征、边索引、全局属性），Batch类实现动态图批量拼接。
  • 智能数据加载：支持小批量（Mini-Batch）训练，内置DataLoader和NeighborSampler处理大规模图的邻域采样。
  • 多GPU与分布式支持：集成PyTorch分布式接口，支持数据并行和模型并行，配套DistributedDataLoader实现跨节点数据分发。

（三）全流程工具生态

  • 数据集与基准：内置Cora、OGB等30+公开数据集，支持自定义数据集加载（继承Dataset类）。
  • 模型解释与评估：通过torch_geometric.explain模块实现GNN归因分析（如节点/边重要性可视化），metrics模块提供准确率、ROC-AUC等评估指标。
  • 性能优化：支持TorchScript编译加速、CPU线程亲和性设置（torch_geometric.profile），以及内存高效聚合（Memory-Efficient Aggregations）技术。

二、核心模块与API详解

（一）数据处理模块：torch_geometric.data

类/函数功能描述
Data表示单图结构，包含x（节点特征）、edge_index（边索引）、y（标签）等属性
Batch将多个Data对象合并为批量输入，自动处理节点/边的索引偏移
DataLoader基于Batch的迭代器，支持自定义批量大小和数据打乱策略
InMemoryDataset内存型数据集基类，适用于小规模数据预处理后一次性加载
NeighborSampler大图邻域采样器，支持分层采样（如每层采样固定数量邻居）以降低内存消耗

代码示例：创建自定义图数据

from torch_geometric.data import Data# 节点特征（3个节点，每个节点2维特征）
x = torch.tensor([[0.0, 1.0], [2.0, 3.0], [4.0, 5.0]], dtype=torch.float)
# 边索引（COO格式，源节点->目标节点）
edge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]], dtype=torch.long)
# 图标签（可选）
y = torch.tensor([7], dtype=torch.long)# 构建单图对象
data = Data(x=x, edge_index=edge_index, y=y)
print(data)  # 输出：Data(edge_index=[2, 4], x=[3, 2], y=[1])

（二）模型构建模块：torch_geometric.nn

1. 基础图卷积层
层类核心参数应用场景
GCNConvin_channels, out_channels（输入/输出维度）同构图节点分类
GATConvheads（注意力头数）, concat（是否拼接多头输出）异质图或需要注意力机制的场景
GraphConvaggr（聚合函数，如"add", “mean”, “max”）通用图卷积
2. 高级组件
  • 池化层：TopKPooling（基于节点重要性的Top-K池化）、GlobalAttentionPooling（全局注意力池化）。
  • 归一化层：GraphNorm（图级归一化）、InstanceNorm（实例归一化）。
  • 注意力机制：GATv2Conv（改进的注意力层，支持动态权重）、TransformerConv（图结构中的Transformer）。

代码示例：构建GCN模型

import torch
from torch_geometric.nn import GCNConv, global_mean_poolclass GCNModel(torch.nn.Module):def __init__(self, in_channels, hidden_channels, out_channels):super().__init__()self.conv1 = GCNConv(in_channels, hidden_channels)self.conv2 = GCNConv(hidden_channels, out_channels)def forward(self, x, edge_index, batch):# x: [N, in_channels], edge_index: [2, E], batch: [N]（图划分标签）x = self.conv1(x, edge_index).relu()  # 第一层卷积+ReLU激活x = self.conv2(x, edge_index)         # 第二层卷积x = global_mean_pool(x, batch)        # 图级池化（全局平均池化）return x  # 输出维度: [batch_size, out_channels]

（三）数据集模块：torch_geometric.datasets

数据集类任务类型节点数边数说明
Cora节点分类2,7085,278经典论文引用网络
Planetoid节点分类~10k~15k包含Cora、Citeseer等
OGBN-Arxiv节点分类169k1.1MOGB大型基准数据集
QM9图回归~130k~1.6M分子性质预测

代码示例：加载Cora数据集

from torch_geometric.datasets import Planetoid# 加载Cora数据集（自动下载至./data/Planetoid目录）
dataset = Planetoid(root='./data/Cora', name='Cora')
data = dataset[0]  # 取第一个图（单图数据集，这里为整个Cora图）
print(f"节点数: {data.num_nodes}, 边数: {data.num_edges}")

三、实战案例：基于GCN的分子属性预测

（一）场景描述

任务：预测分子图的物理属性（如能级），使用QM9数据集（分子图回归任务）。

（二）代码实现步骤

  1. 数据加载与预处理
from torch_geometric.datasets import QM9
from torch_geometric.loader import DataLoader
from torch_geometric.transforms import NormalizeFeatures# 加载QM9数据集并标准化特征
dataset = QM9(root='./data/QM9', transform=NormalizeFeatures())
# 划分训练集/测试集（QM9默认按索引顺序排列，前11万为训练集）
train_dataset = dataset[:110000]
test_dataset = dataset[110000:]
# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)
  1. 模型定义（GCN+全局池化）
import torch.nn.functional as F
from torch_geometric.nn import GCNConv, GlobalAttentionPoolingclass MolecularGCN(torch.nn.Module):def __init__(self, in_channels, hidden_channels, out_channels):super().__init__()self.conv1 = GCNConv(in_channels, hidden_channels)self.conv2 = GCNConv(hidden_channels, hidden_channels)self.pool = GlobalAttentionPooling(hidden_channels)  # 全局注意力池化self.lin = torch.nn.Linear(hidden_channels, out_channels)def forward(self, x, edge_index, batch):x = self.conv1(x, edge_index).relu()x = self.conv2(x, edge_index).relu()x = self.pool(x, batch)  # 池化后得到图级特征x = self.lin(x)           # 回归头return x.squeeze()        # 输出维度: [batch_size]
  1. 训练与评估（均方误差损失）
import torch.optim as optim
from torchmetrics.regression import MeanSquaredErrordevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = MolecularGCN(in_channels=9, hidden_channels=64, out_channels=1).to(device)
optimizer = optim.Adam(model.parameters(), lr=0.001)
mse_metric = MeanSquaredError().to(device)def train():model.train()total_loss = 0for data in train_loader:data = data.to(device)optimizer.zero_grad()out = model(data.x, data.edge_index, data.batch)loss = F.mse_loss(out, data.y[:, 0])  # 预测第一个属性（HOMO-LUMO能隙）loss.backward()optimizer.step()total_loss += loss.item() * data.num_graphsreturn total_loss / len(train_loader.dataset)def test(loader):model.eval()total_error = 0for data in loader:data = data.to(device)out = model(data.x, data.edge_index, data.batch)total_error += mse_metric(out, data.y[:, 0]).item() * data.num_graphsreturn total_error / len(loader.dataset)# 训练循环
for epoch in range(1, 201):loss = train()test_loss = test(test_loader)print(f"Epoch: {epoch:03d}, Train MSE: {loss:.4f}, Test MSE: {test_loss:.4f}")

四、扩展功能与最佳实践

（一）模型部署与加速

  • TorchScript编译：通过torch.jit.script(model)将GNN模型转换为可序列化的TorchScript格式，支持生产环境部署（如Python/C++推理）。
  • 多GPU训练：使用torch_geometric.loader.DataLoader配合torch.nn.parallel.DataParallel或DistributedDataParallel实现数据并行训练。

（二）自定义消息传递层

继承torch_geometric.nn.MessagePassing类，实现message、aggregate、update方法，例如自定义图注意力机制：

from torch_geometric.nn import MessagePassingclass CustomGAT(MessagePassing):def __init__(self, in_channels, out_channels):super().__init__(aggr='add')  # 聚合方式：求和self.lin = torch.nn.Linear(in_channels, out_channels)self.att = torch.nn.Parameter(torch.randn(out_channels, 1))def message(self, x_i, x_j):# x_i: [E, out_channels]（源节点特征），x_j: [E, out_channels]（目标节点特征）alpha = (x_i + x_j) @ self.att  # 计算注意力分数alpha = F.leaky_relu(alpha)return x_j * alpha.sigmoid()  # 带注意力权重的消息

五、生态与学习资源

  • 官方文档：PyG Documentation 提供模块API、速查表（Cheatsheets）和进阶指南。
  • 社区与案例：GitHub仓库（pyg-team/pytorch_geometric）包含大量示例（如知识图谱补全、3D点云分割）。
  • 论文复现：参考torch_geometric.nn中的算法实现（如GCN、GraphSAGE），结合torch_geometric.datasets的基准数据集复现经典论文。

五、高级模块与API全景：超越基础的图学习能力

（一）采样与规模化训练：torch_geometric.sampler

核心功能：处理超大规模图的内存优化
  • 分层邻域采样：
    • NeighborSampler：支持多跳邻域采样（如每层采样固定数量邻居），生成子图用于批量训练，避免全图计算的内存爆炸。
    • AdaptiveSampler：根据节点重要性动态调整采样规模，提升关键节点的特征学习效率。
  • 负采样：
    • NegativeSampler：为链路预测任务生成负样本，支持均匀采样、度数加权采样等策略。
  • 代码示例：分层采样器初始化
    from torch_geometric.sampler import NeighborSampler# 假设data为全图数据（edge_index为COO格式）
sampler = NeighborSampler(data.edge_index, sizes=[25, 10],  # 两层采样，每层分别采样25和10个邻居batch_size=1024, shuffle=True
)

（二）分布式训练：torch_geometric.distributed

核心能力：跨节点/跨GPU的大规模图训练
  • 数据并行与模型并行：
    • DistributedDataLoader：支持将大图切分为子图，通过PyTorch分布式接口（如torch.distributed）实现多机多卡训练。
    • HeteroDataParallel：针对异构图的分布式训练，支持不同类型节点/边的并行计算。
  • 远程后端集成：
    • 支持与DGL-Lightning、PyTorch Lightning结合，通过远程服务器（如AWS/GCP）扩展训练规模。
  • 代码示例：初始化分布式数据加载器
    import torch.distributed as dist
from torch_geometric.distributed import DistributeDataParallel, DistributedDataLoader# 初始化分布式环境
dist.init_process_group(backend='nccl')
# 分布式数据加载器（假设dataset已划分为多个分区）
loader = DistributedDataLoader(dataset, batch_size=64, num_workers=4, shuffle=True
)

（三）模型解释与可解释性：torch_geometric.explain

核心工具：GNN归因分析与可视化
  • 归因方法：
    • GNNExplainer：通过扰动节点/边特征，量化其对模型预测的贡献度，生成关键子图。
    • PGExplainer：基于路径的解释方法，适用于异构图或长距离依赖场景。
  • 可视化：
    • 集成matplotlib和networkx，支持将解释结果（如重要节点/边）渲染为交互式图。
  • 代码示例：解释GCN模型预测
    from torch_geometric.explain import GNNExplainer# 假设model为训练好的GCN模型，data为待解释的图数据
explainer = GNNExplainer(model)
explanation = explainer.explain_node(node=0, x=data.x, edge_index=data.edge_index)
print(f"重要边数: {explanation.edge_mask.sum().item()}")

（四）性能优化与分析：torch_geometric.profile

核心功能：细粒度性能调优
  • CPU亲和性设置：
    • set_cpu_affinity：为数据加载线程分配特定CPU核心，减少线程竞争，提升数据预处理速度。
  • 内存分析：
    • MemoryTracker：跟踪模型训练中的内存占用，定位泄漏点（如未释放的中间变量）。
  • 代码示例：设置CPU亲和性
    from torch_geometric.profile import set_cpu_affinity# 将当前线程绑定到CPU核心0-3
set_cpu_affinity(cores=[0, 1, 2, 3])

（五）异构图与多模态支持：torch_geometric.data.HeteroData

核心数据结构：处理复杂图结构
  • 异构图表示：
    • HeteroData类支持不同类型的节点（如用户/商品）和边（如点击/购买），通过字典式接口访问属性：
    from torch_geometric.data import HeteroDatahetero_data = HeteroData()
# 添加用户节点（类型为'user'，特征维度128）
hetero_data['user'].x = torch.randn(100, 128)
# 添加商品节点（类型为'item'，特征维度64）
hetero_data['item'].x = torch.randn(500, 64)
# 添加用户-商品交互边（类型为'click'）
hetero_data['user', 'click', 'item'].edge_index = torch.randint(0, 100, (2, 5000))
  • 异构图卷积层：
    • HeteroConv支持为不同边类型分配独立的卷积层，例如：
    from torch_geometric.nn import HeteroConv, GCNConv, GATConvconv = HeteroConv({'click': GCNConv(128, 64),  # 用户→商品边使用GCN'follow': GATConv(128, 64, heads=4)  # 用户→用户边使用GAT
}, aggr='sum')  # 聚合方式：求和

（六）实验管理与超参数搜索：torch_geometric.graphgym

核心工作流：自动化实验流水线
  • 配置驱动开发：
    • 通过YAML配置文件定义模型架构、训练参数、数据预处理流程，例如：
    model:name: GCNin_channels: 1433hidden_channels: 64out_channels: 7
train:epochs: 200lr: 0.01weight_decay: 5e-4
  • 超参数搜索：
    • 集成Ray Tune、Optuna，支持网格搜索、贝叶斯优化等策略，自动运行多组实验并记录结果。
  • 可视化与日志：
    • 内置Weights & Biases集成，实时绘制训练曲线、对比不同模型性能。

六、前沿技术模块：探索PyG的扩展生态

（一）自定义算子与CUDA加速：torch_geometric.utils

高级工具函数：
  • 稀疏矩阵操作：
    • to_scipy_sparse_matrix：将PyG的edge_index转换为Scipy稀疏矩阵，便于与传统图算法（如PageRank）结合。
    • add_remaining_self_loops：为图添加自环边，支持指定概率或均匀添加。
  • CUDA优化：
    • sort_edge_index：对edge_index进行排序和去重，提升GPU计算效率（尤其在使用CuPy等库时）。

（二）3D几何数据处理：torch_geometric.transforms

高级变换：
  • 点云增强：
    • RandomTranslate：随机平移点云坐标，增强模型鲁棒性。
    • NormalizeScale：按质心和尺度归一化点云，消除位置与大小差异。
  • 网格处理：
    • FaceToEdge：将网格的面（Face）转换为边（Edge），便于图卷积处理。
    • SubdivideMesh：细分网格表面，增加节点密度以提升特征学习精度。

（三）对比学习与图增广：torch_geometric.transforms

自监督学习支持：
  • 图级增广：
    • RandomNodeDropout：随机删除节点（模拟遮挡）。
    • EdgePerturbation：随机添加/删除边（破坏图结构）。
  • 对比损失函数：
    • 结合torch_geometric.nn.ContrastiveLoss，实现基于图结构的对比学习，例如：
    from torch_geometric.nn import ContrastiveLoss# 假设z1和z2为同一图的两个增广视图的特征
loss_fn = ContrastiveLoss()
loss = loss_fn(z1, z2)

七、工业级应用场景：高级功能的实战组合

（一）超大规模推荐系统（亿级节点）

  • 技术栈：
    • HeteroData表示用户-商品-类别异构图。
    • NeighborSampler进行分层采样，配合DistributedDataLoader实现多机训练。
    • GATConv捕捉用户与商品的交互模式，GlobalAttentionPooling生成用户/商品嵌入。
  • 性能优化：
    • 使用torch_geometric.profile优化CPU线程分配，TorchScript编译模型用于在线推理。

（二）分子生成与药物发现（生成式GNN）

  • 技术栈：
    • torch_geometric.transforms进行分子图增广（如随机原子类型替换）。
    • HeteroConv处理异质原子（C/H/O）和化学键（单键/双键）。
    • 结合torch_geometric.explain分析关键官能团对属性的影响。

八、深度API索引：高级模块速查表

模块核心类/函数功能描述
torch_geometric.samplerNeighborSampler分层邻域采样，支持多跳子图生成
AdaptiveSampler动态重要性采样，优先保留关键节点
torch_geometric.distributedDistributeDataParallel分布式GNN训练，支持数据并行与模型并行
partition_graph将大图划分为多个子图，用于分布式存储
torch_geometric.explainGNNExplainer模型归因分析，生成关键子图和特征重要性
ExplainableGraphNet可解释图神经网络，内置注意力机制的可解释性支持
torch_geometric.profileMemoryTracker内存使用跟踪，定位训练中的内存泄漏
Benchmark性能基准测试，对比不同采样策略/模型架构的效率
torch_geometric.graphgymAutoConfig自动生成实验配置模板
run experiment执行多组超参数实验，支持分布式训练

五、总结：从基础到前沿的PyG技术演进

PyTorch Geometric的高级功能已从单纯的算法实现延伸至规模化训练、可解释性、异构数据处理和自动化实验等工业级场景。通过深入理解sampler、distributed、explain等模块，开发者能够应对亿级节点图的训练挑战，同时满足模型可解释性和性能优化的需求。未来，随着PyG对生成式GNN、3D几何学习等前沿领域的持续投入，其将进一步成为连接学术研究与工业落地的桥梁。

延伸探索：

  • 官方示例库：PyG Examples 包含异构图、分布式训练、3D点云等高级场景代码。
  • 技术论文：参考PyG官方文档中“Advanced Concepts”章节，了解分层采样、内存优化等技术的理论背景。

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.mzph.cn/bicheng/81630.shtml

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email:809451989@qq.com，一经查实，立即删除！

相关文章

亮相戛纳电影节、北京电影节的影星

亮相戛纳电影节、北京电影节的影星

​17日，由高圆圆、古天乐主演的《风林火山》剧组，在第78届戛纳影展上走红毯亮相，记者争相拍照，风光无限。 值得关注的是，导演麦浚龙以一身黑色晚礼服踏上红毯，微笑间显得踌躇滿志；古天乐则以白色…
阅读更多...
Django框架的前端部分使用Ajax请求一

Django框架的前端部分使用Ajax请求一

Ajax请求 目录 1.ajax请求使用 2.增加任务列表功能(只有查看和新增) 3.代码展示集合 这篇文章, 要开始讲关于ajax请求的内容了。这个和以前文章中写道的Vue框架里面的axios请求, 很相似。后端代码, 会有一些细节点, 跟前几节文章写的有些区别。 一、ajax请求使用 我们先…
阅读更多...
IP地址代理公司：服务模式与行业应用探析

IP地址代理公司：服务模式与行业应用探析

随着数据驱动型经济的快速发展和互联网应用的普及，IP地址代理服务逐渐成为支持多种网络业务的重要组成部分。近年来，提供代理IP服务的公司遍地开花，这一市场强调供给的技术深度和服务灵活性，而代理IP公司本身也逐步从单一的技术供…
阅读更多...
C语言练手磨时间

C语言练手磨时间

167. 两数之和 II - 输入有序数组 给你一个下标从 1 开始的整数数组 numbers &#xff0c;该数组已按 非递减顺序排列 &#xff0c;请你从数组中找出满足相加之和等于目标数 target 的两个数。如果设这两个数分别是 numbers[index1] 和 numbers[index2] &#xff0c;则 1 <…
阅读更多...
本地部署Firecrawl+Dify调用踩坑记录

本地部署Firecrawl+Dify调用踩坑记录

最近自己研究Dify&#xff0c;使用到Firecrawl这个比较好用的工具。用Firecrawl官网的不知道为什么总是卡住得不到结果&#xff0c;于是我打算自己去本地部署一个。好家伙真给我人搞麻了&#xff0c;太多问题了。 我是在京东云上面租的一台服务器。 首先就是docker的安装&…
阅读更多...
iOS SwiftUI的具体运用实例（SwiftUI库的运用）

iOS SwiftUI的具体运用实例（SwiftUI库的运用）

最近接触到一个 SwiftUI的第三方框架&#xff0c;它非常的好用。以下是 具体运用实例&#xff0c;结合其核心功能与开发场景&#xff0c;分多个维度进行详细解析&#xff1a; 一、基础 UI 组件开发 登录界面 SwiftUI 的 VStack、TextField 和 Button 可快速构建用户登录表单。例…
阅读更多...
【C++】模板上(泛型编程) —— 函数模板与类模板

【C++】模板上(泛型编程) —— 函数模板与类模板

文章目录 一、啥是泛型编程二、函数模板2.1、函数模板的概念2.2、函数模板的格式2.3、函数模板的原理2.4、函数模板的实例化2.4.1、隐式实例化&#xff1a;让编译器根据实参推演模板参数的实际类型2.4.2、显示实例化&#xff1a;在函数名后的<>中指定模板参数的实际类型 …
阅读更多...
语音识别-2

语音识别-2

目录 1.蓝牙优化 1.打开sco 2.外放时的蓝牙的不同版本适配 2.微软文本转语音优化 1.异步文本转语音 2.语音的个性化 上一篇关于语音识别, 虽然能用,但在系统适配,机器适配方面,速度,性能等还是有优化的地方.所以这篇是关于这些的. 1.蓝牙优化 A2DP：是一种单向的高品质音…
阅读更多...
【springcloud学习(dalston.sr1)】服务消费者通过restTemplate来访问服务提供者（含源代码）（五）

【springcloud学习(dalston.sr1)】服务消费者通过restTemplate来访问服务提供者（含源代码）（五）

该系列项目整体介绍及源代码请参照前面写的一篇文章​​​​​​【springcloud学习(dalston.sr1)】项目整体介绍&#xff08;含源代码&#xff09;&#xff08;一&#xff09; springcloud学习&#xff08;dalston.sr1&#xff09;系统文章汇总如下&#xff1a; 【springcloud…
阅读更多...
小白学编程之——数据库如何性能优化

小白学编程之——数据库如何性能优化

小白学编程之——数据库性能优化指南 数据库如同一个大型仓库&#xff0c;性能优化就是帮助仓库管理员&#xff08;数据库&#xff09;更高效地存取货物&#xff08;数据&#xff09;。本文将以通俗易懂的方式&#xff0c;带你避开常见误区&#xff0c;让数据库运行得更快更稳…
阅读更多...
SQLMesh信号机制详解：如何精准控制模型评估时机

SQLMesh信号机制详解：如何精准控制模型评估时机

SQLMesh的信号机制为数据工程师提供了更精细的模型评估控制能力。本文深入解析信号机制的工作原理&#xff0c;通过简单和高级示例展示如何自定义信号&#xff0c;并提供实用的使用技巧和测试方法&#xff0c;帮助读者优化数据管道的调度效率。 一、为什么需要信号机制&#xf…
阅读更多...
FreeSWITCH 简单图形化界面43 - 使用百度的unimrcp搞个智能话务台，用的在线的ASR和TTS

FreeSWITCH 简单图形化界面43 - 使用百度的unimrcp搞个智能话务台，用的在线的ASR和TTS

FreeSWITCH 简单图形化界面43 - 使用百度的unimrcp搞个智能话务台 0、一个fs的web配置界面预览1、安装unimrcp模块2、安装完成后&#xff0c;配置FreeSWITCH。2.1 有界面的配置2.1.1 mod_unimrcp模块配置2.1.2 mod_unimrcp客户端配置 2.2 无界面的配置 3、呼叫规则4、编写流程4…
阅读更多...
【架构】RUP统一软件过程：企业级软件开发的全面指南

【架构】RUP统一软件过程：企业级软件开发的全面指南

一、RUP概述 RUP(Rational Unified Process&#xff0c;统一软件过程)是由Rational Software公司(后被IBM收购)开发的一种迭代式软件开发过程框架。它结合了传统瀑布模型的系统性和敏捷方法的灵活性&#xff0c;为中大型软件项目提供了全面的开发方法论。 RUP不仅仅是一种过程…
阅读更多...
DeepSeek赋能电商，智能客服机器人破解大型活动人力困境

DeepSeek赋能电商，智能客服机器人破解大型活动人力困境

1. DeepSeek 与电商客服结合的背景 1.1 电商行业客服需求特点 电商行业具有独特的客服需求特点&#xff0c;这些特点决定了智能客服机器人在该行业的必要性和重要性。 高并发性&#xff1a;电商平台的用户数量庞大&#xff0c;尤其是在促销活动期间&#xff0c;用户咨询量会…
阅读更多...
面向具身智能的视觉-语言-动作模型（VLA）综述

面向具身智能的视觉-语言-动作模型（VLA）综述

具身智能被广泛认为是通用人工智能&#xff08;AGI&#xff09;的关键要素&#xff0c;因为它涉及控制具身智能体在物理世界中执行任务。在大语言模型和视觉语言模型成功的基础上&#xff0c;一种新的多模态模型——视觉语言动作模型&#xff08;VLA&#xff09;已经出现&#…
阅读更多...
后端框架(1)：Mybatis

后端框架(1)：Mybatis

什么是框架&#xff1f; 盖高楼&#xff0c;框架结构。 框架结构就是高楼的主体&#xff0c;基础功能。 把很多基础功能已经实现了(封装了)。 在基础语言之上&#xff0c;对各种基础功能进行封装&#xff0c;方便开发者&#xff0c;提高开发效率。 mybatis&#xff1a;对jd…
阅读更多...
ubuntu20.04系统搭建k8s1.28集群-docker作为容器运行时

ubuntu20.04系统搭建k8s1.28集群-docker作为容器运行时

ubuntu系统搭建 ubuntu-22.04.5-desktop-amd64.iso映像文件--->实际却是20.4focal版本。 【安装过程没有特别指出的默认回车下一步】 【用户和密码设置】 【网络连接】 【在vmware上安装的话&#xff0c;网络配置如下】【在vm里配置选择nat或者桥接即可】 【国内源配置】&…
阅读更多...
软件I2C

软件I2C

软件I2C 注意&#xff1a; SDA&#xff08;串行数据线&#xff09;和SCL&#xff08;串行时钟线&#xff09;都是双向I/O线&#xff0c;接口电路为开漏输出。需通过上拉电阻接电源VCC。 软件I2C说明 说明&#xff0c;有的单片机没有硬件I2C的功能&#xff0c;或者因为电路设计…
阅读更多...
C++性能测试工具——Vtune的使用

C++性能测试工具——Vtune的使用

一、Intel Vtune的安装 在前面初步认识了一下几个性能的测试工具&#xff0c;本篇重点介绍一下Intel VTune Profiler&#xff0c;VTune是一个强大的性能分析工具&#xff0c;它属于Intel oneAPI工具包中工具的一种。VTune的安装只介绍在Linux平台下的场景&#xff08;Windows安…
阅读更多...
互联网大厂Java求职面试：优惠券服务架构设计与AI增强实践-6

互联网大厂Java求职面试：优惠券服务架构设计与AI增强实践-6

互联网大厂Java求职面试&#xff1a;优惠券服务架构设计与AI增强实践-6 场景设定&#xff1a;技术总监张总坐在会议室里&#xff0c;郑薪苦带着自信的微笑走了进来。今天他们要围绕优惠券服务的架构设计及如何结合AI进行增强展开讨论。 第一轮面试&#xff1a;基础架构设计 …
阅读更多...
最新文章

Copyright @ 2022~2023