TransE-FB15K-single-gpu || TransE-FB15K-single-gpu-wandb || TransE-FB15K-single-gpu-hpo || TransE-FB15K-accelerate || TransE-FB15K-accelerate-wandb || TransE-FB15K237-single-gpu-wandb || TransE-WN18RR-single-gpu-adv-wandb

TransE-FB15K-accelerate

备注

created by LuYF-Lemon-love <luyanfeng_nlp@qq.com> on May 7, 2023

备注

updated by LuYF-Lemon-love <luyanfeng_nlp@qq.com> on May 11, 2024

备注

last run by LuYF-Lemon-love <luyanfeng_nlp@qq.com> on May 11, 2024

这一部分介绍如何用多个 GPU 在 FB15k 知识图谱上训练 TransE [BUGD+13]。

由于多 GPU 设置依赖于 accelerate ， 因此，您需要首先需要创建并保存一个配置文件（如果想获得更详细的配置文件信息请访问 多GPU配置 ）：

accelerate config

然后，您可以开始训练：

accelerate launch accelerate_transe_FB15K.py

导入数据

pybind11-OpenKE 有 1 个工具用于导入数据: pybind11_ke.data.KGEDataLoader。

from pybind11_ke.data import KGEDataLoader, BernSampler, TradTestSampler
from pybind11_ke.module.model import TransE
from pybind11_ke.module.loss import MarginLoss
from pybind11_ke.module.strategy import NegativeSampling
from pybind11_ke.config import accelerator_prepare
from pybind11_ke.config import Trainer, Tester

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.KGEDataLoader 包含 in_path 用于传递数据集目录。

# dataloader for training
dataloader = KGEDataLoader(
    in_path = "../../benchmarks/FB15K/",
    batch_size = 8192,
    neg_ent = 25,
    test = True,
    test_batch_size = 256,
    num_workers = 16,
    train_sampler = BernSampler,
    test_sampler = TradTestSampler
)

---

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.TransE，它是最简单的平移模型。

# define the model
transe = TransE(
    ent_tol = dataloader.get_ent_tol(),
    rel_tol = dataloader.get_rel_tol(),
    dim = 50,
    p_norm = 1,
    norm_flag = True
)

---

损失函数

我们这里使用了 TransE [BUGD+13] 原论文使用的损失函数：pybind11_ke.module.loss.MarginLoss， pybind11_ke.module.strategy.NegativeSampling 对 pybind11_ke.module.loss.MarginLoss 进行了封装，加入权重衰减等额外项。

# define the loss function
model = NegativeSampling(
    model = transe,
    loss = MarginLoss(margin = 1.0)
)

---

训练模型

为了进行多 GPU 训练，需要先调用 pybind11_ke.config.accelerator_prepare() 对数据和模型进行包装。

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.Tester， 使得训练器能够在训练过程中评估模型。

dataloader, model, accelerator = accelerator_prepare(
    dataloader,
    model
)

# test the model
tester = Tester(model = transe, data_loader=dataloader)

# train the model
trainer = Trainer(model = model, data_loader = dataloader.train_dataloader(),
    epochs = 1000, lr = 0.01, accelerator = accelerator,
    tester = tester, test = True, valid_interval = 100,
    log_interval = 100, save_interval = 100,
    save_path = '../../checkpoint/transe.pth', delta = 0.01)
trainer.run()

备注

上述代码的运行日志可以从 此处 下载。

---