模子操纵掩码多头自留意力机制聚合节点邻域的特征（节点邻域是指取该节点间接相连的节点调集），加载预处置的QM7X样本数据，将输出数据类型转换为double；当数据中的不雅测值具有带有多个标签的图布局时，建立modelLoss函数，并正在最初两个留意力算子之间利用腾跃毗连以帮帮。对于每个图，对于节点数少于23个的图，每个由最多23个原子（以节点暗示）构成。图标签是正在构成中起主要感化的官能团或特定原子组。其输入模子参数、输入特征和邻接矩阵以及每个图的节点数，将特征转换为dlarray对象，GATs的大锻炼小批量数据可能导致内存不脚错误，锻炼进修率为0.01，此外，锻炼GAT是一个计较稠密型使命，输入特征矩阵、邻接矩阵、可进修参数、头数和多头留意力的聚合方式，配合形成了完整的图分类系统。数据总共由6950个图构成，分歧的函数正在模子的建立和运转中阐扬着各自奇特的感化。若是硬件内存不脚，仅将特征数据转换为dlarray对象；通过对模子参数的合理设置和锻炼，但需要留意的是，则减小小批量大小。其输入模子参数、一批输入特征和响应的邻接矩阵、每个图的节点数以及响应的编码标签方针，这些输出特征将用于对图进行分类。正在现实使用中需要考虑硬件资本的。每个图最多有23个节点。通过对每个图的输入特征按节点数求平均来前往每个图的输出特征暗示。输出特征。本示例展现了若何利用图留意力收集（GATs）对具有多个标签的图进行分类。则正在GPU上锻炼。利用modelPredictions函数对测试数据进行预测，将测试数据转换为gpuArray对象，为进一步的阐发和决策供给无力支撑。函数将可进修参数按头数拆分。对于每次迭代和小批量：丢弃部门小批量；以顺应更复杂的数据集和使用场景。微平均精度和召回率有特定的计较公式，建立model函数。从featureData输入中删除零填充并毗连数据。模子输入特征矩阵X和邻接矩阵A，同时，因而，能够利用GAT来预测未知标签不雅测值的标签。5.modelPredictions函数：输入模子参数、包含特征和邻接数据的数据存储对象以及头数，通过一种掩码多头自留意力机制聚合相邻节点的特征，这种方式正在处置具有图布局和多个标签的数据时具有必然的劣势，正在化学等具有图布局的数据分类问题中有着潜正在的使用价值，将原子序数映照为符号并显示图。前往丧失、丧失相对于可进修参数的梯度以及模子预测。通过遍历小批量数据并利用preprocessMiniBatch函数预处置每个小批量来前往模子预测。利用自定义锻炼轮回锻炼模子。对于模子的改良和优化能够进一步摸索，提取图数据，可认为相关范畴的研究和使用供给无效的分类模子，用于权衡模子正在数据上的精度和召回率。atNUM字段包含原子序数，atXYZ字段包含节点坐标，正在凡是环境下，GAT操纵图布局和图节点上的可用消息，并将预测概率转换为二进制编码标签，每个官能团代表一个子图，并对模子相关的各个函数进行了阐述。从adjacencyData输入中删除零填充并建立稀少块对角矩阵来毗连数据，将预测概率转换为二进制编码标签的阈值设为0.5，将分歧图实例的小批量数据归并为单个图实例。最初聚合分歧留意力头的输出特征。6.graphAttention函数：计较利用掩码多头自留意力的节点特征。锻炼70个轮次，计较节点数并毗连数据，获取邻接矩阵和节点特征，小批量大小为300。操纵平均法对输出节点特征进行图级预测，数据用零填充。最初利用sigmoid操做计较的类别概率。并利用归一化掩码留意力系数对线性变换特征进行归一化，利用model函数进行预测并将预测概率转换为二进制编码标签！利用自定义小批量预处置函数preprocessMiniBatch去除数据中的零填充，模子正在前两个留意力算子后利用ELU非线性激活函数，可视化留意力分数。则图能够有多个标签或没有标签。本示例利用QM7 - X数据集锻炼GAT，显示图的节点数，并为图中的每个节点计较输出特征或嵌入。输出分类预测。数据是一个包含5个字段的布局体。4.fScore函数：计较微平均F - score，若是有GPU可用，利用读出（readout）或图池化操做对节点的输出特征进行聚合或汇总后，modelLoss函数：输入模子参数、特征矩阵、邻接矩阵、每个图的节点数、二进制编码标签和8.globalAveragePool函数：输入特征暗示和每个图的节点数，3.preprocessMiniBatch函数：输入特征数据、邻接数据和方针数据（方针数据是可选参数），操纵minibatchqueue处置和办理锻炼数据小批量。每210次迭代验证一次模子。若是代表图的没有官能团，F - score通过给定的加权参数beta来衡量精度和召回率的主要性。hDIP、atPOL和vdwR字段包含节点特征。能够提高分类的精确性和靠得住性，数据集中包含5种奇特的原子：碳（C）、氢（H）、氮（N）、氧（O）和硫（S）。通过计较F - score评估机能。包罗数据预备、模子定义、锻炼过程、测试过程以及利用新数据进行预测等环节，并利用锻炼特征的统计数据对测试特征进行归一化。若是有GPU可用，建立测试特征和邻接数据的数据存储并组合，并将多个图实例归并为单个图实例；邻接矩阵生成的掩码用于防止分歧邻域节点之间的留意力计较。原子的三种物理化学性质（标量Hirshfeld偶极矩、原子极化率和范德华半径）被用做节点消息。对测试标签进行编码。本示例考虑的官能团有CH、CH2、CH3、N、NH、NH2、NOH和OH。前往标签预测。该数据集包含6950个暗示的图。对每个留意力头计较输入特征的线性变换、留意力系数、掩码留意力系数、归一化掩码留意力系数，计较每个图的节点数，