CompGCNLoss

class unike.module.loss.CompGCNLoss(*args: Any, **kwargs: Any)

CompGCN [VSNT20] 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 unike.module.loss import CompGCNLoss
from unike.module.strategy import CompGCNSampling

# define the loss function
model = CompGCNSampling(
    model = compgcn,
    loss = CompGCNLoss(model = compgcn),
    ent_tol = dataloader.get_ent_tol()
)

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

Call self as a function.

__init__(model: CompGCN)

创建 CompGCNLoss 对象。

参数:

model (CompGCN) – 模型

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

__repr__() → str

Return repr(self).

__weakref__

list of weak references to the object (if defined)

forward(pred: torch.Tensor, label: torch.Tensor) → torch.Tensor

计算 CompGCNLoss 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:

• pred (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

loss: torch.nn.BCELoss

损失函数

model: CompGCN

模型

pi_const: torch.nn.parameter.Parameter

常数 pi

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