CompGCN-FB15K237-single-gpu || CompGCN-FB15K237-single-gpu-wandb || CompGCN-FB15K237-single-gpu-hpo

CompGCN-FB15K237-single-gpu

这一部分介绍如何用一个 GPU 在 FB15K237 知识图谱上训练 CompGCN [VSNT20]。

导入数据

pybind11-OpenKE 有一个工具用于导入数据: pybind11_ke.data.GraphDataLoader。

from pybind11_ke.data import CompGCNSampler, CompGCNTestSampler, GraphDataLoader
from pybind11_ke.module.model import CompGCN
from pybind11_ke.module.loss import CompGCNLoss
from pybind11_ke.module.strategy import CompGCNSampling
from pybind11_ke.config import Trainer, GraphTester

pybind11-KE 提供了很多数据集，它们很多都是 KGE 原论文发表时附带的数据集。 pybind11_ke.data.GraphDataLoader 包含 in_path 用于传递数据集目录。

dataloader = GraphDataLoader(
    in_path = "../../benchmarks/FB15K237/",
    batch_size = 2048,
    test_batch_size = 256,
    num_workers = 16,
    test = True,
    train_sampler = CompGCNSampler,
    test_sampler = CompGCNTestSampler
)

---

导入模型

pybind11-OpenKE 提供了很多 KGE 模型，它们都是目前最常用的基线模型。我们下面将要导入 pybind11_ke.module.model.CompGCN，这是一种在图卷积网络中整合多关系信息的新框架， 它利用知识图谱嵌入技术中的各种组合操作，将实体和关系共同嵌入到图中。

# define the model
compgcn = CompGCN(
    ent_tol = dataloader.train_sampler.ent_tol,
    rel_tol = dataloader.train_sampler.rel_tol,
    dim = 100
)

---

损失函数

我们这里使用了 CompGCN [VSNT20] 原论文使用的损失函数：pybind11_ke.module.loss.CompGCNLoss， pybind11_ke.module.strategy.CompGCNSampling 对 pybind11_ke.module.loss.CompGCNLoss 进行了封装。

# define the loss function
model = CompGCNSampling(
    model = compgcn,
    loss = CompGCNLoss(model = compgcn),
    ent_tol = dataloader.train_sampler.ent_tol
)

---

训练模型

pybind11-OpenKE 将训练循环包装成了 pybind11_ke.config.Trainer， 可以运行它的 pybind11_ke.config.Trainer.run() 函数进行模型学习； 也可以通过传入 pybind11_ke.config.GraphTester， 使得训练器能够在训练过程中评估模型；pybind11_ke.config.GraphTester 使用 pybind11_ke.data.GraphDataLoader 作为数据采样器。

# test the model
tester = GraphTester(model = compgcn, data_loader = dataloader, use_gpu = True, device = 'cuda:0', prediction = "tail")

# train the model
trainer = Trainer(model = model, data_loader = dataloader.train_dataloader(),
    epochs = 2000, lr = 0.0001, use_gpu = True, device = 'cuda:0',
    tester = tester, test = True, valid_interval = 50, log_interval = 50,
    save_interval = 50, save_path = '../../checkpoint/compgcn.pth'
)
trainer.run()