TransH-FB15K237-single-gpu || TransH-FB15K237-single-gpu-wandb || TransH-FB15K237-single-gpu-hpo || TransH-FB15K237-multigpu || TransH-FB15K-multigpu-wandb

TransH-FB15K237-single-gpu

这一部分介绍如何用一个 GPU 在 FB15K237 知识图谱上训练 TransH [WZFC14]。

导入数据

pybind11-OpenKE 有两个工具用于导入数据: pybind11_ke.data.TrainDataLoader 和 pybind11_ke.data.TestDataLoader。

from pybind11_ke.config import Trainer, Tester
from pybind11_ke.module.model import TransH
from pybind11_ke.module.loss import MarginLoss
from pybind11_ke.module.strategy import NegativeSampling
from pybind11_ke.data import TrainDataLoader, TestDataLoader

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
train_dataloader = TrainDataLoader(
    in_path = "../../benchmarks/FB15K237/",
    nbatches = 100,
    threads = 8,
    sampling_mode = "normal",
    bern = True,
    neg_ent = 25,
    neg_rel = 0)

---

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 = train_dataloader.get_ent_tol(),
    rel_tol = train_dataloader.get_rel_tol(),
    dim = 200,
    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 = transh,
    loss = MarginLoss(margin = 4.0),
    batch_size = train_dataloader.get_batch_size()
)

---

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.Tester， 使得训练器能够在训练过程中评估模型；pybind11_ke.config.Tester 使用 pybind11_ke.data.TestDataLoader 作为数据采样器。

# dataloader for test
test_dataloader = TestDataLoader("../../benchmarks/FB15K237/")

# test the model
tester = Tester(model = transh, data_loader = test_dataloader, use_gpu = True, device = 'cuda:1')

# train the model
trainer = Trainer(model = model, data_loader = train_dataloader,
    epochs = 1000, lr = 0.5, use_gpu = True, device = 'cuda:1',
    tester = tester, test = True, valid_interval = 100,
    log_interval = 100, save_interval = 100, save_path = '../../checkpoint/transh.pth')
trainer.run()