RGCNLoss

class pybind11_ke.module.loss.RGCNLoss(*args: Any, **kwargs: Any)

R-GCN [SKB+18] 原论文中应用这种损失函数完成模型训练。

备注

forward() 中的正样本评分函数的得分应大于负样本评分函数的得分。

例子:

from pybind11_ke.module.loss import RGCNLoss from pybind11_ke.module.strategy import RGCNSampling

# define the loss function model = RGCNSampling(

model = rgcn, loss = RGCNLoss(model = rgcn, regularization = 1e-5)

)

__call__(*args: Any, **kwargs: Any) → Any

Call self as a function.

__init__(model: RGCN, regularization: float)

创建 RGCNLoss 对象。

参数:

• model (RGCN) – 模型

• regularization (float) – 正则率

static __new__(cls, *args: Any, **kwargs: Any) → Any

__repr__() → str

Return repr(self).

__weakref__

list of weak references to the object (if defined)

forward(score: torch.Tensor, labels: torch.Tensor) → torch.Tensor

计算 RGCNLoss 损失函数。定义每次调用时执行的计算。torch.nn.Module 子类必须重写 torch.nn.Module.forward()。

参数:

• score (torch.Tensor) – 模型的得分。

• labels (torch.Tensor) – 标签

返回:

损失值

返回类型:

torch.Tensor

get_parameters(mode: str = 'numpy', param_dict: dict[str, Any] | None = None) → dict[str, numpy.ndarray] | dict[str, list] | dict[str, torch.Tensor]

获得模型权重。

参数:

• mode – 模型保存的格式，可以选择 numpy 、 list 和 Tensor 。

• param_dict (dict[str, Any] | None) – 可以选择从哪里获得模型权重。

返回:

模型权重字典。

返回类型:

dict[str, numpy.ndarray] | dict[str, list] | dict[str, torch.Tensor]

load_checkpoint(path: str)

加载模型权重。

参数:

path (str) – 模型保存的路径

load_parameters(path: str)

加载模型权重。

参数:

path (str) – 模型保存的路径

model: RGCN

模型

pi_const: torch.nn.parameter.Parameter

常数 pi

reg_loss() → torch.Tensor

获得正则部分的损失。

返回:

损失值

返回类型:

torch.Tensor

regularization: float

正则率

save_checkpoint(path: str)

保存模型权重。

参数:

path (str) – 模型保存的路径

save_parameters(path: str)

用 json 格式保存模型权重。

参数:

path (str) – 模型保存的路径

set_parameters(parameters: dict[str, Any])

加载模型权重。

参数:

parameters (dict[str, Any]) – 模型权重字典。

zero_const: torch.nn.parameter.Parameter

常数 0