TransH-FB15K237-single-gpu || TransH-FB15K237-single-gpu-wandb || TransH-FB15K237-single-gpu-hpo || TransH-FB15K237-accelerate || TransH-FB15K237-accelerate-wandb

TransH-FB15K237-accelerate-wandb

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 12, 2024

备注

last run by LuYF-Lemon-love <luyanfeng_nlp@qq.com> on May 12, 2024

这一部分介绍如何用多个 GPU 在 FB15K237 知识图谱上训练 TransH [WZFC14]，使用 wandb 记录实验结果。

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_transh_FB15K237_wandb.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.utils import WandbLogger
from pybind11_ke.data import KGEDataLoader, BernSampler, TradTestSampler
from pybind11_ke.module.model import TransH
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

首先初始化 pybind11_ke.utils.WandbLogger 日志记录器，它是对 wandb 初始化操作的一层简单封装。

wandb_logger = WandbLogger(
    project="pybind11-ke",
    name="TransH-FB15K237-multi",
    config=dict(
            in_path = "../../benchmarks/FB15K237/",
            batch_size = 8192,
            neg_ent = 25,
            test = True,
            test_batch_size = 256,
            num_workers = 16,
            dim = 200,
            p_norm = 1,
            norm_flag = True,
            margin = 4.0,
            epochs = 1000,
            lr = 0.5,
            opt_method = "adam",
            valid_interval = 100,
            log_interval = 100,
            save_interval = 100,
            save_path = '../../checkpoint/transh.pth',
            delta = 0.01
    )
)

config = wandb_logger.config

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 = config.in_path,
    batch_size = config.batch_size,
    neg_ent = config.neg_ent,
    test = config.test,
    test_batch_size = config.test_batch_size,
    num_workers = config.num_workers,
    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.TransH，它提出于 2014 年，是第二个平移模型， 将关系建模为超平面上的平移操作。

# define the model
transh = TransH(
    ent_tol = dataloader.get_ent_tol(),
    rel_tol = dataloader.get_rel_tol(),
    dim = config.dim,
    p_norm = config.p_norm,
    norm_flag = config.norm_flag)

---

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 = transh,
    loss = MarginLoss(margin = config.margin)
)

---

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 = transh, data_loader=dataloader)

# train the model
trainer = Trainer(model = model, data_loader = dataloader.train_dataloader(),
    epochs = config.epochs, lr = config.lr, opt_method = config.opt_method,
    accelerator = accelerator, tester = tester, test = config.test,
    valid_interval = config.valid_interval, log_interval = config.log_interval,
    save_interval = config.save_interval, save_path = config.save_path,
    delta = config.delta, use_wandb = True)
trainer.run()

# close your wandb run
wandb_logger.finish()

备注

上述代码的运行日志可以从 此处 下载。

备注

上述代码的运行报告可以从 此处 下载。

---