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

TransR-FB15K237-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 13, 2024

备注

last run by LuYF-Lemon-love <luyanfeng_nlp@qq.com> on May 13, 2024

这一部分介绍如何用多个 GPU 在 FB15K237 知识图谱上训练 TransR [LLS+15]。

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_transr_FB15K237.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, TransR
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.TrainDataLoader 包含 in_path 用于传递数据集目录。

# dataloader for training
dataloader = KGEDataLoader(
    in_path = "../../benchmarks/FB15K237/",
    batch_size = 2048,
    neg_ent = 25,
    test = True,
    test_batch_size = 10,
    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。我们首先导入 pybind11_ke.module.model.TransE，它是最简单的平移模型， 因为为了避免过拟合，pybind11_ke.module.model.TransR 实体和关系的嵌入向量初始化为 pybind11_ke.module.model.TransE 的结果。

# define the transe
transe = TransE(
    ent_tol = dataloader.get_ent_tol(),
    rel_tol = dataloader.get_rel_tol(),
    dim = 100,
    p_norm = 1,
    norm_flag = True
)

下面导入 pybind11_ke.module.model.TransR 模型， 是一个为实体和关系嵌入向量分别构建了独立的向量空间，将实体向量投影到特定的关系向量空间进行平移操作的模型。

transr = TransR(
    ent_tol = dataloader.get_ent_tol(),
    rel_tol = dataloader.get_rel_tol(),
    dim_e = 100,
    dim_r = 100,
    p_norm = 1,
    norm_flag = True,
    rand_init = False
)

---

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。

model_e = NegativeSampling(
    model = transe,
    loss = MarginLoss(margin = 5.0)
)

model_r = NegativeSampling(
    model = transr,
    loss = MarginLoss(margin = 4.0)
)

---

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。

# pretrain transe
trainer = Trainer(model = model_e, data_loader = dataloader.train_dataloader(),
    epochs = 1, lr = 0.5, opt_method = "sgd", use_gpu = True, device = 'cuda:0')
trainer.run()
parameters = transe.get_parameters()
transe.save_parameters("../../checkpoint/transr_transe.json")

# train transr
transr.set_parameters(parameters)

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

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

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

备注

上述代码的运行日志可以从 此处 下载。

---