KI

TNNLS | GNN综述：A Comprehensive Survey on Graph Neural Networks

图解GNN：A Gentle Introduction to Graph Neural Networks，简单入门GNN。

本文结合一个具体的无向图来对最简单的一种GNN进行推导。本文第一部分是数据介绍，第二部分为推导过程中需要用的变量的定义，第三部分是GNN的具体推导过程，最后一部分为自己对GNN的一些看法与总结。

TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测），模型结合了CNN和LSTM各自的优点。

TensorFlow搭建CNN实现时间序列预测（风速预测）。数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。

TensorFlow搭建ANN实现时间序列预测（风速预测）。数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。

TensorFlow搭建LSTM实现多变量输入多变量输出时间序列预测（多任务学习）。具体来讲，输入在经过LSTM后得到output，我们将output分别通过多个全连接层，就能得到多个输出。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq，利用Seq2Seq提供的输入输出不等长功能实现多步长预测。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（四）：多模型滚动预测。具体来讲，每一步都由一个模型进行预测，预测时会将上一步的预测值代入。