PyTorch Geometric（PyG）：基于PyTorch的圖神經網絡（GNN）開發框架

PyTorch Geometric（PyG）：基于PyTorch的圖神經網絡（GNN）開發框架

一、PyG核心功能全景圖

PyTorch Geometric（PyG）是基于PyTorch的圖神經網絡（GNN）開發框架，專為不規則結構數據（如圖、網格、點云）設計，提供從數據加載、模型構建到訓練優化的全流程工具鏈。其核心功能包括：

（一）多樣化圖算法支持

  • 經典GNN模型：實現GCN、GAT、GraphSAGE、GIN等主流圖卷積算法，支持節點/圖分類、鏈路預測等任務。
  • 幾何深度學習：涵蓋3D網格（Mesh）和點云（Point Cloud）處理工具，如torch_geometric.transforms中的點云增強算子。
  • 注意力機制：內置多頭注意力層（GATConv）、全局注意力（GlobalAttention），支持自定義注意力邏輯。

（二）高效數據處理與批量操作

  • 統一數據結構：通過Data類表示單圖（節點特征、邊索引、全局屬性），Batch類實現動態圖批量拼接。
  • 智能數據加載：支持小批量（Mini-Batch）訓練，內置DataLoader和NeighborSampler處理大規模圖的鄰域采樣。
  • 多GPU與分布式支持：集成PyTorch分布式接口，支持數據并行和模型并行，配套DistributedDataLoader實現跨節點數據分發。

（三）全流程工具生態

  • 數據集與基準：內置Cora、OGB等30+公開數據集，支持自定義數據集加載（繼承Dataset類）。
  • 模型解釋與評估：通過torch_geometric.explain模塊實現GNN歸因分析（如節點/邊重要性可視化），metrics模塊提供準確率、ROC-AUC等評估指標。
  • 性能優化：支持TorchScript編譯加速、CPU線程親和性設置（torch_geometric.profile），以及內存高效聚合（Memory-Efficient Aggregations）技術。

二、核心模塊與API詳解

（一）數據處理模塊：torch_geometric.data

類/函數功能描述
Data表示單圖結構，包含x（節點特征）、edge_index（邊索引）、y（標簽）等屬性
Batch將多個Data對象合并為批量輸入，自動處理節點/邊的索引偏移
DataLoader基于Batch的迭代器，支持自定義批量大小和數據打亂策略
InMemoryDataset內存型數據集基類，適用于小規模數據預處理后一次性加載
NeighborSampler大圖鄰域采樣器，支持分層采樣（如每層采樣固定數量鄰居）以降低內存消耗

代碼示例：創建自定義圖數據

from torch_geometric.data import Data# 節點特征（3個節點，每個節點2維特征）
x = torch.tensor([[0.0, 1.0], [2.0, 3.0], [4.0, 5.0]], dtype=torch.float)
# 邊索引（COO格式，源節點->目標節點）
edge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]], dtype=torch.long)
# 圖標簽（可選）
y = torch.tensor([7], dtype=torch.long)# 構建單圖對象
data = Data(x=x, edge_index=edge_index, y=y)
print(data)  # 輸出：Data(edge_index=[2, 4], x=[3, 2], y=[1])

（二）模型構建模塊：torch_geometric.nn

1. 基礎圖卷積層
層類核心參數應用場景
GCNConvin_channels, out_channels（輸入/輸出維度）同構圖節點分類
GATConvheads（注意力頭數）, concat（是否拼接多頭輸出）異質圖或需要注意力機制的場景
GraphConvaggr（聚合函數，如"add", “mean”, “max”）通用圖卷積
2. 高級組件
  • 池化層：TopKPooling（基于節點重要性的Top-K池化）、GlobalAttentionPooling（全局注意力池化）。
  • 歸一化層：GraphNorm（圖級歸一化）、InstanceNorm（實例歸一化）。
  • 注意力機制：GATv2Conv（改進的注意力層，支持動態權重）、TransformerConv（圖結構中的Transformer）。

代碼示例：構建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]（圖劃分標簽）x = self.conv1(x, edge_index).relu()  # 第一層卷積+ReLU激活x = self.conv2(x, edge_index)         # 第二層卷積x = global_mean_pool(x, batch)        # 圖級池化（全局平均池化）return x  # 輸出維度: [batch_size, out_channels]

（三）數據集模塊：torch_geometric.datasets

數據集類任務類型節點數邊數說明
Cora節點分類2,7085,278經典論文引用網絡
Planetoid節點分類~10k~15k包含Cora、Citeseer等
OGBN-Arxiv節點分類169k1.1MOGB大型基準數據集
QM9圖回歸~130k~1.6M分子性質預測

代碼示例：加載Cora數據集

from torch_geometric.datasets import Planetoid# 加載Cora數據集（自動下載至./data/Planetoid目錄）
dataset = Planetoid(root='./data/Cora', name='Cora')
data = dataset[0]  # 取第一個圖（單圖數據集，這里為整個Cora圖）
print(f"節點數: {data.num_nodes}, 邊數: {data.num_edges}")

三、實戰案例：基于GCN的分子屬性預測

（一）場景描述

任務：預測分子圖的物理屬性（如能級），使用QM9數據集（分子圖回歸任務）。

（二）代碼實現步驟

  1. 數據加載與預處理
from torch_geometric.datasets import QM9
from torch_geometric.loader import DataLoader
from torch_geometric.transforms import NormalizeFeatures# 加載QM9數據集并標準化特征
dataset = QM9(root='./data/QM9', transform=NormalizeFeatures())
# 劃分訓練集/測試集（QM9默認按索引順序排列，前11萬為訓練集）
train_dataset = dataset[:110000]
test_dataset = dataset[110000:]
# 創建數據加載器
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)
  1. 模型定義（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)  # 池化后得到圖級特征x = self.lin(x)           # 回歸頭return x.squeeze()        # 輸出維度: [batch_size]
  1. 訓練與評估（均方誤差損失）
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])  # 預測第一個屬性（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)# 訓練循環
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、擴展功能與最佳實踐

（一）模型部署與加速

  • TorchScript編譯：通過torch.jit.script(model)將GNN模型轉換為可序列化的TorchScript格式，支持生產環境部署（如Python/C++推理）。
  • 多GPU訓練：使用torch_geometric.loader.DataLoader配合torch.nn.parallel.DataParallel或DistributedDataParallel實現數據并行訓練。

（二）自定義消息傳遞層

繼承torch_geometric.nn.MessagePassing類，實現message、aggregate、update方法，例如自定義圖注意力機制：

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]（源節點特征），x_j: [E, out_channels]（目標節點特征）alpha = (x_i + x_j) @ self.att  # 計算注意力分數alpha = F.leaky_relu(alpha)return x_j * alpha.sigmoid()  # 帶注意力權重的消息

五、生態與學習資源

  • 官方文檔：PyG Documentation 提供模塊API、速查表（Cheatsheets）和進階指南。
  • 社區與案例：GitHub倉庫（pyg-team/pytorch_geometric）包含大量示例（如知識圖譜補全、3D點云分割）。
  • 論文復現：參考torch_geometric.nn中的算法實現（如GCN、GraphSAGE），結合torch_geometric.datasets的基準數據集復現經典論文。

五、高級模塊與API全景：超越基礎的圖學習能力

（一）采樣與規模化訓練：torch_geometric.sampler

核心功能：處理超大規模圖的內存優化
  • 分層鄰域采樣：
    • NeighborSampler：支持多跳鄰域采樣（如每層采樣固定數量鄰居），生成子圖用于批量訓練，避免全圖計算的內存爆炸。
    • AdaptiveSampler：根據節點重要性動態調整采樣規模，提升關鍵節點的特征學習效率。
  • 負采樣：
    • NegativeSampler：為鏈路預測任務生成負樣本，支持均勻采樣、度數加權采樣等策略。
  • 代碼示例：分層采樣器初始化
    from torch_geometric.sampler import NeighborSampler# 假設data為全圖數據（edge_index為COO格式）
sampler = NeighborSampler(data.edge_index, sizes=[25, 10],  # 兩層采樣，每層分別采樣25和10個鄰居batch_size=1024, shuffle=True
)

（二）分布式訓練：torch_geometric.distributed

核心能力：跨節點/跨GPU的大規模圖訓練
  • 數據并行與模型并行：
    • DistributedDataLoader：支持將大圖切分為子圖，通過PyTorch分布式接口（如torch.distributed）實現多機多卡訓練。
    • HeteroDataParallel：針對異構圖的分布式訓練，支持不同類型節點/邊的并行計算。
  • 遠程后端集成：
    • 支持與DGL-Lightning、PyTorch Lightning結合，通過遠程服務器（如AWS/GCP）擴展訓練規模。
  • 代碼示例：初始化分布式數據加載器
    import torch.distributed as dist
from torch_geometric.distributed import DistributeDataParallel, DistributedDataLoader# 初始化分布式環境
dist.init_process_group(backend='nccl')
# 分布式數據加載器（假設dataset已劃分為多個分區）
loader = DistributedDataLoader(dataset, batch_size=64, num_workers=4, shuffle=True
)

（三）模型解釋與可解釋性：torch_geometric.explain

核心工具：GNN歸因分析與可視化
  • 歸因方法：
    • GNNExplainer：通過擾動節點/邊特征，量化其對模型預測的貢獻度，生成關鍵子圖。
    • PGExplainer：基于路徑的解釋方法，適用于異構圖或長距離依賴場景。
  • 可視化：
    • 集成matplotlib和networkx，支持將解釋結果（如重要節點/邊）渲染為交互式圖。
  • 代碼示例：解釋GCN模型預測
    from torch_geometric.explain import GNNExplainer# 假設model為訓練好的GCN模型，data為待解釋的圖數據
explainer = GNNExplainer(model)
explanation = explainer.explain_node(node=0, x=data.x, edge_index=data.edge_index)
print(f"重要邊數: {explanation.edge_mask.sum().item()}")

（四）性能優化與分析：torch_geometric.profile

核心功能：細粒度性能調優
  • CPU親和性設置：
    • set_cpu_affinity：為數據加載線程分配特定CPU核心，減少線程競爭，提升數據預處理速度。
  • 內存分析：
    • MemoryTracker：跟蹤模型訓練中的內存占用，定位泄漏點（如未釋放的中間變量）。
  • 代碼示例：設置CPU親和性
    from torch_geometric.profile import set_cpu_affinity# 將當前線程綁定到CPU核心0-3
set_cpu_affinity(cores=[0, 1, 2, 3])

（五）異構圖與多模態支持：torch_geometric.data.HeteroData

核心數據結構：處理復雜圖結構
  • 異構圖表示：
    • HeteroData類支持不同類型的節點（如用戶/商品）和邊（如點擊/購買），通過字典式接口訪問屬性：
    from torch_geometric.data import HeteroDatahetero_data = HeteroData()
# 添加用戶節點（類型為'user'，特征維度128）
hetero_data['user'].x = torch.randn(100, 128)
# 添加商品節點（類型為'item'，特征維度64）
hetero_data['item'].x = torch.randn(500, 64)
# 添加用戶-商品交互邊（類型為'click'）
hetero_data['user', 'click', 'item'].edge_index = torch.randint(0, 100, (2, 5000))
  • 異構圖卷積層：
    • HeteroConv支持為不同邊類型分配獨立的卷積層，例如：
    from torch_geometric.nn import HeteroConv, GCNConv, GATConvconv = HeteroConv({'click': GCNConv(128, 64),  # 用戶→商品邊使用GCN'follow': GATConv(128, 64, heads=4)  # 用戶→用戶邊使用GAT
}, aggr='sum')  # 聚合方式：求和

（六）實驗管理與超參數搜索：torch_geometric.graphgym

核心工作流：自動化實驗流水線
  • 配置驅動開發：
    • 通過YAML配置文件定義模型架構、訓練參數、數據預處理流程，例如：
    model:name: GCNin_channels: 1433hidden_channels: 64out_channels: 7
train:epochs: 200lr: 0.01weight_decay: 5e-4
  • 超參數搜索：
    • 集成Ray Tune、Optuna，支持網格搜索、貝葉斯優化等策略，自動運行多組實驗并記錄結果。
  • 可視化與日志：
    • 內置Weights & Biases集成，實時繪制訓練曲線、對比不同模型性能。

六、前沿技術模塊：探索PyG的擴展生態

（一）自定義算子與CUDA加速：torch_geometric.utils

高級工具函數：
  • 稀疏矩陣操作：
    • to_scipy_sparse_matrix：將PyG的edge_index轉換為Scipy稀疏矩陣，便于與傳統圖算法（如PageRank）結合。
    • add_remaining_self_loops：為圖添加自環邊，支持指定概率或均勻添加。
  • CUDA優化：
    • sort_edge_index：對edge_index進行排序和去重，提升GPU計算效率（尤其在使用CuPy等庫時）。

（二）3D幾何數據處理：torch_geometric.transforms

高級變換：
  • 點云增強：
    • RandomTranslate：隨機平移點云坐標，增強模型魯棒性。
    • NormalizeScale：按質心和尺度歸一化點云，消除位置與大小差異。
  • 網格處理：
    • FaceToEdge：將網格的面（Face）轉換為邊（Edge），便于圖卷積處理。
    • SubdivideMesh：細分網格表面，增加節點密度以提升特征學習精度。

（三）對比學習與圖增廣：torch_geometric.transforms

自監督學習支持：
  • 圖級增廣：
    • RandomNodeDropout：隨機刪除節點（模擬遮擋）。
    • EdgePerturbation：隨機添加/刪除邊（破壞圖結構）。
  • 對比損失函數：
    • 結合torch_geometric.nn.ContrastiveLoss，實現基于圖結構的對比學習，例如：
    from torch_geometric.nn import ContrastiveLoss# 假設z1和z2為同一圖的兩個增廣視圖的特征
loss_fn = ContrastiveLoss()
loss = loss_fn(z1, z2)

七、工業級應用場景：高級功能的實戰組合

（一）超大規模推薦系統（億級節點）

  • 技術棧：
    • HeteroData表示用戶-商品-類別異構圖。
    • NeighborSampler進行分層采樣，配合DistributedDataLoader實現多機訓練。
    • GATConv捕捉用戶與商品的交互模式，GlobalAttentionPooling生成用戶/商品嵌入。
  • 性能優化：
    • 使用torch_geometric.profile優化CPU線程分配，TorchScript編譯模型用于在線推理。

（二）分子生成與藥物發現（生成式GNN）

  • 技術棧：
    • torch_geometric.transforms進行分子圖增廣（如隨機原子類型替換）。
    • HeteroConv處理異質原子（C/H/O）和化學鍵（單鍵/雙鍵）。
    • 結合torch_geometric.explain分析關鍵官能團對屬性的影響。

八、深度API索引：高級模塊速查表

模塊核心類/函數功能描述
torch_geometric.samplerNeighborSampler分層鄰域采樣，支持多跳子圖生成
AdaptiveSampler動態重要性采樣，優先保留關鍵節點
torch_geometric.distributedDistributeDataParallel分布式GNN訓練，支持數據并行與模型并行
partition_graph將大圖劃分為多個子圖，用于分布式存儲
torch_geometric.explainGNNExplainer模型歸因分析，生成關鍵子圖和特征重要性
ExplainableGraphNet可解釋圖神經網絡，內置注意力機制的可解釋性支持
torch_geometric.profileMemoryTracker內存使用跟蹤，定位訓練中的內存泄漏
Benchmark性能基準測試，對比不同采樣策略/模型架構的效率
torch_geometric.graphgymAutoConfig自動生成實驗配置模板
run experiment執行多組超參數實驗，支持分布式訓練

五、總結：從基礎到前沿的PyG技術演進

PyTorch Geometric的高級功能已從單純的算法實現延伸至規模化訓練、可解釋性、異構數據處理和自動化實驗等工業級場景。通過深入理解sampler、distributed、explain等模塊，開發者能夠應對億級節點圖的訓練挑戰，同時滿足模型可解釋性和性能優化的需求。未來，隨著PyG對生成式GNN、3D幾何學習等前沿領域的持續投入，其將進一步成為連接學術研究與工業落地的橋梁。

延伸探索：

  • 官方示例庫：PyG Examples 包含異構圖、分布式訓練、3D點云等高級場景代碼。
  • 技術論文：參考PyG官方文檔中“Advanced Concepts”章節，了解分層采樣、內存優化等技術的理論背景。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/81630.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/81630.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/81630.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

亮相戛納電影節、北京電影節的影星

亮相戛納電影節、北京電影節的影星

?17日，由高圓圓、古天樂主演的《風林火山》劇組，在第78屆戛納影展上走紅毯亮相，記者爭相拍照，風光無限。 值得關注的是，導演麥浚龍以一身黑色晚禮服踏上紅毯，微笑間顯得躊躇滿志；古天樂則以白色…
閱讀更多...
Django框架的前端部分使用Ajax請求一

Django框架的前端部分使用Ajax請求一

Ajax請求 目錄 1.ajax請求使用 2.增加任務列表功能(只有查看和新增) 3.代碼展示集合 這篇文章, 要開始講關于ajax請求的內容了。這個和以前文章中寫道的Vue框架里面的axios請求, 很相似。后端代碼, 會有一些細節點, 跟前幾節文章寫的有些區別。 一、ajax請求使用 我們先…
閱讀更多...
IP地址代理公司：服務模式與行業應用探析

IP地址代理公司：服務模式與行業應用探析

隨著數據驅動型經濟的快速發展和互聯網應用的普及，IP地址代理服務逐漸成為支持多種網絡業務的重要組成部分。近年來，提供代理IP服務的公司遍地開花，這一市場強調供給的技術深度和服務靈活性，而代理IP公司本身也逐步從單一的技術供…
閱讀更多...
C語言練手磨時間

C語言練手磨時間

167. 兩數之和 II - 輸入有序數組 給你一個下標從 1 開始的整數數組 numbers &#xff0c;該數組已按 非遞減順序排列 &#xff0c;請你從數組中找出滿足相加之和等于目標數 target 的兩個數。如果設這兩個數分別是 numbers[index1] 和 numbers[index2] &#xff0c;則 1 <…
閱讀更多...
本地部署Firecrawl+Dify調用踩坑記錄

本地部署Firecrawl+Dify調用踩坑記錄

最近自己研究Dify&#xff0c;使用到Firecrawl這個比較好用的工具。用Firecrawl官網的不知道為什么總是卡住得不到結果&#xff0c;于是我打算自己去本地部署一個。好家伙真給我人搞麻了&#xff0c;太多問題了。 我是在京東云上面租的一臺服務器。 首先就是docker的安裝&…
閱讀更多...
iOS SwiftUI的具體運用實例（SwiftUI庫的運用）

iOS SwiftUI的具體運用實例（SwiftUI庫的運用）

最近接觸到一個 SwiftUI的第三方框架&#xff0c;它非常的好用。以下是 具體運用實例&#xff0c;結合其核心功能與開發場景&#xff0c;分多個維度進行詳細解析&#xff1a; 一、基礎 UI 組件開發 登錄界面 SwiftUI 的 VStack、TextField 和 Button 可快速構建用戶登錄表單。例…
閱讀更多...
【C++】模板上(泛型編程) —— 函數模板與類模板

【C++】模板上(泛型編程) —— 函數模板與類模板

文章目錄 一、啥是泛型編程二、函數模板2.1、函數模板的概念2.2、函數模板的格式2.3、函數模板的原理2.4、函數模板的實例化2.4.1、隱式實例化&#xff1a;讓編譯器根據實參推演模板參數的實際類型2.4.2、顯示實例化&#xff1a;在函數名后的<>中指定模板參數的實際類型 …
閱讀更多...
語音識別-2

語音識別-2

目錄 1.藍牙優化 1.打開sco 2.外放時的藍牙的不同版本適配 2.微軟文本轉語音優化 1.異步文本轉語音 2.語音的個性化 上一篇關于語音識別, 雖然能用,但在系統適配,機器適配方面,速度,性能等還是有優化的地方.所以這篇是關于這些的. 1.藍牙優化 A2DP：是一種單向的高品質音…
閱讀更多...
【springcloud學習(dalston.sr1)】服務消費者通過restTemplate來訪問服務提供者（含源代碼）（五）

【springcloud學習(dalston.sr1)】服務消費者通過restTemplate來訪問服務提供者（含源代碼）（五）

該系列項目整體介紹及源代碼請參照前面寫的一篇文章??????【springcloud學習(dalston.sr1)】項目整體介紹&#xff08;含源代碼&#xff09;&#xff08;一&#xff09; springcloud學習&#xff08;dalston.sr1&#xff09;系統文章匯總如下&#xff1a; 【springcloud…
閱讀更多...
小白學編程之——數據庫如何性能優化

小白學編程之——數據庫如何性能優化

小白學編程之——數據庫性能優化指南 數據庫如同一個大型倉庫&#xff0c;性能優化就是幫助倉庫管理員&#xff08;數據庫&#xff09;更高效地存取貨物&#xff08;數據&#xff09;。本文將以通俗易懂的方式&#xff0c;帶你避開常見誤區&#xff0c;讓數據庫運行得更快更穩…
閱讀更多...
SQLMesh信號機制詳解：如何精準控制模型評估時機

SQLMesh信號機制詳解：如何精準控制模型評估時機

SQLMesh的信號機制為數據工程師提供了更精細的模型評估控制能力。本文深入解析信號機制的工作原理&#xff0c;通過簡單和高級示例展示如何自定義信號&#xff0c;并提供實用的使用技巧和測試方法&#xff0c;幫助讀者優化數據管道的調度效率。 一、為什么需要信號機制&#xf…
閱讀更多...
FreeSWITCH 簡單圖形化界面43 - 使用百度的unimrcp搞個智能話務臺，用的在線的ASR和TTS

FreeSWITCH 簡單圖形化界面43 - 使用百度的unimrcp搞個智能話務臺，用的在線的ASR和TTS

FreeSWITCH 簡單圖形化界面43 - 使用百度的unimrcp搞個智能話務臺 0、一個fs的web配置界面預覽1、安裝unimrcp模塊2、安裝完成后&#xff0c;配置FreeSWITCH。2.1 有界面的配置2.1.1 mod_unimrcp模塊配置2.1.2 mod_unimrcp客戶端配置 2.2 無界面的配置 3、呼叫規則4、編寫流程4…
閱讀更多...
【架構】RUP統一軟件過程：企業級軟件開發的全面指南

【架構】RUP統一軟件過程：企業級軟件開發的全面指南

一、RUP概述 RUP(Rational Unified Process&#xff0c;統一軟件過程)是由Rational Software公司(后被IBM收購)開發的一種迭代式軟件開發過程框架。它結合了傳統瀑布模型的系統性和敏捷方法的靈活性&#xff0c;為中大型軟件項目提供了全面的開發方法論。 RUP不僅僅是一種過程…
閱讀更多...
DeepSeek賦能電商，智能客服機器人破解大型活動人力困境

DeepSeek賦能電商，智能客服機器人破解大型活動人力困境

1. DeepSeek 與電商客服結合的背景 1.1 電商行業客服需求特點 電商行業具有獨特的客服需求特點&#xff0c;這些特點決定了智能客服機器人在該行業的必要性和重要性。 高并發性&#xff1a;電商平臺的用戶數量龐大&#xff0c;尤其是在促銷活動期間&#xff0c;用戶咨詢量會…
閱讀更多...
面向具身智能的視覺-語言-動作模型（VLA）綜述

面向具身智能的視覺-語言-動作模型（VLA）綜述

具身智能被廣泛認為是通用人工智能&#xff08;AGI&#xff09;的關鍵要素&#xff0c;因為它涉及控制具身智能體在物理世界中執行任務。在大語言模型和視覺語言模型成功的基礎上&#xff0c;一種新的多模態模型——視覺語言動作模型&#xff08;VLA&#xff09;已經出現&#…
閱讀更多...
后端框架(1)：Mybatis

后端框架(1)：Mybatis

什么是框架&#xff1f; 蓋高樓&#xff0c;框架結構。 框架結構就是高樓的主體&#xff0c;基礎功能。 把很多基礎功能已經實現了(封裝了)。 在基礎語言之上&#xff0c;對各種基礎功能進行封裝&#xff0c;方便開發者&#xff0c;提高開發效率。 mybatis&#xff1a;對jd…
閱讀更多...
ubuntu20.04系統搭建k8s1.28集群-docker作為容器運行時

ubuntu20.04系統搭建k8s1.28集群-docker作為容器運行時

ubuntu系統搭建 ubuntu-22.04.5-desktop-amd64.iso映像文件--->實際卻是20.4focal版本。 【安裝過程沒有特別指出的默認回車下一步】 【用戶和密碼設置】 【網絡連接】 【在vmware上安裝的話&#xff0c;網絡配置如下】【在vm里配置選擇nat或者橋接即可】 【國內源配置】&…
閱讀更多...
軟件I2C

軟件I2C

軟件I2C 注意&#xff1a; SDA&#xff08;串行數據線&#xff09;和SCL&#xff08;串行時鐘線&#xff09;都是雙向I/O線&#xff0c;接口電路為開漏輸出。需通過上拉電阻接電源VCC。 軟件I2C說明 說明&#xff0c;有的單片機沒有硬件I2C的功能&#xff0c;或者因為電路設計…
閱讀更多...
C++性能測試工具——Vtune的使用

C++性能測試工具——Vtune的使用

一、Intel Vtune的安裝 在前面初步認識了一下幾個性能的測試工具&#xff0c;本篇重點介紹一下Intel VTune Profiler&#xff0c;VTune是一個強大的性能分析工具&#xff0c;它屬于Intel oneAPI工具包中工具的一種。VTune的安裝只介紹在Linux平臺下的場景&#xff08;Windows安…
閱讀更多...
互聯網大廠Java求職面試：優惠券服務架構設計與AI增強實踐-6

互聯網大廠Java求職面試：優惠券服務架構設計與AI增強實踐-6

互聯網大廠Java求職面試&#xff1a;優惠券服務架構設計與AI增強實踐-6 場景設定&#xff1a;技術總監張總坐在會議室里&#xff0c;鄭薪苦帶著自信的微笑走了進來。今天他們要圍繞優惠券服務的架構設計及如何結合AI進行增強展開討論。 第一輪面試&#xff1a;基礎架構設計 …
閱讀更多...
最新文章

Copyright @ 2022~2023