本文目录一览：
- 1、冠远万能主板管温多大的
- 2、要写论文了，有什么好的软件吗？
- 3、论文笔记之GPT-GNN: Generative Pre-Training of Graph Neural Networks
- 4、GPT和GPT2
冠远万能主板管温多大的
冠远万能主板的管温一般在50-60度之间，但是也可以根据您的使用环境和配置来调整，最高可以达到85度，但是建议您尽量将管温保持在50-60度之间，以免影响主板的使用寿命。此外，您还可以通过添加散热器或者更换散热器来降低主板的管温，以保证主板的正常使用。
要写论文了，有什么好的软件吗？
写论文需要一个好的软件来帮助你进行组织和撰写，下面列出几款比较常用的软件：
Microsoft Word：这是一款最常用的文字处理软件，包含丰富的排版和格式工具，可以很方便地对论文进行排版和编辑。
LaTeX：这是一款专门用于科技论文排版的软件，支持数学公式、图表、参考文献等复杂的排版要求，对于需要进行科技论文写作的人来说非常有用。
EndNote：这是一款文献管理软件，可以帮助你管理和组织参考文献，并自动生成参考文献列表。
Grammarly：这是一款英语语法检查工具，可以帮助你检查论文中的语法错误和拼写错误。
Zotero：这也是一款文献管理软件，可以帮助你收集、管理和引用参考文献，支持多种引用格式和多个文献数据库。
这些软件都有其各自的特点和优势，你可以根据自己的需要选择适合自己的软件来进行论文写作.
同时也可以使用ChatGPT去搜索你需要的专业知识
论文笔记之GPT-GNN: Generative Pre-Training of Graph Neural Networks
文中指出训练GNN需要大量和任务对应的标注数据，这在很多时候是难以获取的。一种有效的方式是，在无标签数据上通过自监督的方式预训练一个GNN，然后在下游任务上只需要少量的标注数据进行fine-tuning。
本文提出了GPT-GNN通过生成式预训练的方式来初始化GNN。GPT-GNN引入了一个自监督的属性图生成任务，来pre-training一个GNN，使其能够捕捉图上的结构信息和节点属性信息。
图生成任务被分成了两部分：①属性生成。②边生成。
pre-training的GNN要能够捕捉input graph的结构信息和节点属性信息，使其能够在相似领域的下游任务上通过少量label的fine-tuning就能达到很好的泛化效果。本文采用的方式是重构输入的属性图来对图分布建模。
第一步，如上左图所示，通过自监督学习任务（节点属性生成和边生成）来预训练GNN。第二步，如上右图所示，pre-training好的模型以及参数用于对下游任务的初始化，只需要在少部分标注数据上做fine-tuning。
输入G=(V,E,X)，其中V表示顶点集，E表示边集，X表示顶点属性矩阵。
目标：pre-training一个GNN模型，使其能够：1)捕捉图中的结构特征和属性特征。2)能够对图的下游任务有帮助。
也就是对图G=(V,E,X)不使用label学习一个可以泛化的GNN模型fθ。
GPT-GNN通过重构/生成输入图的结构信息和节点属性信息来pre-training GNN。given 输入图G=(V,E,X)和GNN模型fθ，图和GNN的likelihood定义为p(G,θ)，通过最大化likelihood来预训练GNN，也就是
如何对p(G,θ)建模？
通过自回归的方法分解目标概率分布。
首先说明什么是自回归
如上式所示，c为常数项，є为随机误差，概括来说就是X的当期值等于一个或数个前期值的线性组合加常数项加随机误差。
对于graph来说，自回归方法概括为：nodes in the graph come in an order, and the edges are generated by connecting each new arriving node to existing nodes.
对于一个给定的order，通过自回归的方式分解log likelihood，每次生成一个节点。
在step i，given 所有在前面步骤生成的节点，包括节点属性Xi和节点之间的边Ei来生成新的节点i，包括节点属性Xi和与现有节点的连接边Ei.
如何对pθ(Xi,Ei|Xi,Ei)建模？
一种简单的方式是假设Xi和Ei是独立的，也就是
然而，这种分解方式完全忽略了节点属性和节点之间联系（边）之间的依赖关系。然而这种依赖关系是属性图和基于聚合邻居节点信息的GNN的核心属性。
因此，文中提出了一种分解方式，当生成一个新的节点属性时，给出结构信息，反之亦然。
从而整个生成过程可以分为两部分：
1)given 观测边，生成节点属性。
2)given 观测边和1)中生成的节点属性，生成剩下的边。
通过这种方式，模型能够捕捉每个节点属性和结构之间的依赖关系。
定义变量o来表示Ei中观测边的index vector，即Ei,o表示已经观测到的边。¬o表示masked边（要生成边）的index。
通过引入o，可以把前面的分布重写为所有可能观测边的期望likelihood.
这里的理解非常重要，第一个等式中，把Ei拆成了Ei,¬o和Ei,o，也就是说指定了哪些边是观测边，哪些边是masked边。需要注意的是，当o确定下来以后，¬o也是确定的。因此等式外面加上了对o的累加，这里可以理解为类似于全概率公式去对所有可能的o求和。
此外，这里需要注意Ei，Ei，Ei,o，Ei,¬o四个符号分别表示的是什么。现在位于step i，Ei是指在step i之前已经生成的边，Ei是指在step i将会生成的边（与节点i相连，有好多条），之后再将Ei中的边生成过程拆分成已经生成和将要生成两部分，即Ei,o和Ei,¬o。
下一个等式中，把第二个p看作概率分布，写作对于o期望的形式。最后把Xi和Ei,¬o看作独立的过程，拆成两个概率分布。
这种分解的优势在于，没有忽略Xi和Ei,o的联系。第一项表示given观测边，聚合目标节点i的邻居信息来生成其属性Xi.第二项表示given观测边和刚生成的属性Xi，预测Ei,¬o中的边是否存在。
如上图所示，给出了一个例子。对于一个academic graph，我们要去生成一个paper node，它的属性为title，并且其和author，publish venue，reference相连。上图中的实线部分为已经观测到的边，首先生成节点的属性，即title。然后基于author1，author2，author3和刚生成的节点属性title，预测剩下的边，即虚线部分。
出于效率的考虑，希望：
1)对于输入图只跑一次GNN就能计算节点属性生成和边生成过程的loss。
2)希望节点属性生成和边生成能同时进行。
然而，边生成需要用到节点属性信息，如果两个生成过程同时进行，会导致信息泄漏。
为了避免这个问题，将节点分为两种类型：
•属性生成节点。mask住这些节点的属性，用一个共用的dummy token Xinit来代替，Xinit和Xi的维度是相同的，并且在pre-training的过程中学习到。
•边生成节点。保持它们原有的属性。
需要注意的是，同一个节点在不同阶段扮演不同的角色，可能是属性生成节点也可能是边生成节点。只是在某一阶段，一个节点有一个确定的角色。
在graph上训练GNN来生成各节点的embedding，用hAttr和hEdge来分别表示属性生成节点和边生成节点的embedding。由于属性生成节点的属性被mask住了，因此hAttr中包含的信息通常会少于hEdge。因此，在GNN的message passing过程中，只使用hEdge作为向其他节点发送的信息。也就是说，对于每个节点，其聚合邻居hEdge的信息和自身的信息来生成新的embedding。之后，对于节点的embedding，使用不同的decoder来生成节点属性和边。（注意，节点的embedding和节点属性不是一回事。通俗理解，在GNN中节点的属性是input，节点的embedding是hidden layer。）
对于属性生成，用DecAttr来表示decoder，输入hAttr来生成节点属性。decoder的选择依赖于节点属性的类型，如果是text类型的节点属性，可以使用LSTM等；如果节点属性是vector，可以使用MLP。定义一个距离函数来度量生成属性和真实属性之间的差异，对于text类型属性，可以使用perplexity，对于vector属性，可以使用L2距离。由此，可以计算属性生成过程中的loss
最小化生成属性和真实属性之间的差异，等价于对generate attributes做MLE，也就是最大化下式
从而捕捉了图中的节点属性信息。
对于边生成过程，假设每条边的生成过程和其他边是独立的，由此对likelihood进行分解
得到hEdge后，如果节点i和节点j相连，则使用
进行建模，DecEdge是一个pairwise score function。
loss定义为
Si-指的是没有和节点i相连的节点。
最小化loss等价于对generate edges做MLE，从而捕捉了图中的结构信息。
上图给出了属性图生成过程的一个具体例子。
a)对于input graph确定permutation order π。
b)随机挑选一部分与节点i相连的边作为observed edges Ei,o，剩下的边作为masked edges Ei,¬o，并且删除masked edges。
c)把节点分为属性生成节点和边生成节点。
d)计算节点3,4,5的embedding，包括它们的属性生成节点和边生成节点。
(d)-(e)通过对于每个节点并行进行节点属性预测和masked边预测来训练一个GNN模型。
完整的算法流程如下所示。
对于上图的算法流程进行详细的说明。
输入一个属性图，每次采样一个子图G~作为训练的实例进行训练。首先决定permutation order π。同时，我们希望能够并行化训练，只做一次前向传播，就能得到整个图的embedding，由此可以同时计算所有节点的loss。因此，根据permutation order π来移除边，也就是使每个节点只能从跟低order的节点处获得信息。
之后，需要决定哪些边被mask。对于每个节点，获得其所有的出边，随机挑选一部分边被mask住，这一过程对应上述line4。
之后，对节点进行划分，得到整个图中节点的embedding，用于之后loss的计算，对应line5。
lone 7-9进行loss的计算。
line 8中，通过整合采样图中未连接的节点和Q中以前计算的节点embedding来选择负样本，这种方式能够减轻对于采样图优化和对于整个图优化的差距。
在line11-12中，优化模型并更新Q。
对于异构图，即包含不同类型的点和边的图，唯一的不同在于不同类型的点和边采用不同的decoder。
对于大规模的图，可以采样子图来进行训练，即上述算法流程中Sampler的作用。为了计算Ledge这一loss，需要遍历输入图的所有节点。然而，我们只能在采样的子图上计算这个loss。为了缓解这一差异，提出了adaptive queue，其中存储了之前采样的子图的节点embedding作为负样本。每次采样一个新的子图时，逐步更新这个队列，增加新的节点embedding，移除旧的节点embedding。通过引入adaptive queue，不同采样子图中的节点也能为全局的结构提供信息。
GPT和GPT2
GPT用的是transformer decoder
fine-tuning的输入：最后一个词的向量。
GPT采用单向transformer可以解决Bert无法解决的生成文本任务。
一个字一个字往出蹦的形式
通常我们会用特定的网络结构去给任务建模，构建通用NLP模型，对p(output | input, task)建模。output ，input， task三者都用向量表示。
把第二阶段替换由Finetuning有监督，换成了无监督做下游任务，因为它扔进去了好多任务数据，且有提示词。
问题1 ：GPT2把第二阶段的Finetuning做有监督地下游NLP任务，换成了 无监督地做下游任务 。为什么这样做？一种看法认为，只是GPT作者想说明在第一阶段Transformer学到了很多通用的包含各个领域的知识。
问题2：为什么GPT 2.0仍然固执地用单向语言模型，而不是双向语言模型呢？
Bert的论文认为，Bert的有效性主要是因为使用了双向语言模型。
1.生成内容后续单词这种模式，单向语言模型更方便；
2、想证明通过增加数据量和模型结构，单向模型未必输双向模型。
问题3：GPT2训练好的语言模型，如何无监督适应下游任务，比如文本摘要，怎么知道是在做文本摘要任务呢？
首先，所有任务都采取相同的往出蹦字的输出模式。GPT2.0给出了一种新颖的生成式任务的做法，就是一个字一个字往出蹦，然后拼接出输出内容作为翻译结果或者摘要结果。GPT-2的输入也会加入提示词，比如输入格式是 文本+TL;DR:，GPT-2模型就会知道是做摘要工作了。
