SoftplusLoss

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

ComplEx [TWR+16] 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 SoftplusLoss
from unike.module.strategy import NegativeSampling

# define the loss function
model = NegativeSampling(
        model = distmult, 
        loss = SoftplusLoss(),
        batch_size = train_dataloader.get_batch_size(), 
        regul_rate = 1.0
)

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

Call self as a function.

__init__(adv_temperature: float | None = None)

创建 SoftplusLoss 对象。

参数:

adv_temperature (float) – RotatE 提出的自我对抗负采样中的温度。

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

__repr__() → str

Return repr(self).

__weakref__

list of weak references to the object (if defined)

adv_flag: bool

是否启用 RotatE 提出的自我对抗负采样。

adv_temperature: torch.nn.parameter.Parameter

RotatE 提出的自我对抗负采样中的温度。

criterion: torch.nn.Softplus

用于代替逻辑函数，类型为 torch.nn.Softplus，它是 ReLU 函数的平滑近似。

forward(p_score: torch.Tensor, n_score: torch.Tensor) → torch.Tensor

计算 SoftplusLoss 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:

• p_score (torch.Tensor) – 正样本评分函数的得分。

• n_score (torch.Tensor) – 负样本评分函数的得分。

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]

get_weights(n_score: torch.Tensor) → torch.Tensor

计算 RotatE 提出的自我对抗负采样中的负样本的分布概率。

参数:

n_score (torch.Tensor) – 负样本评分函数的得分。

返回:

自我对抗负采样中的负样本的分布概率

返回类型:

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

pi_const: torch.nn.parameter.Parameter

常数 pi

predict(p_score: torch.Tensor, n_score: torch.Tensor) → numpy.ndarray

SoftplusLoss 的推理方法。

参数:

• p_score (torch.Tensor) – 正样本评分函数的得分。

• n_score (torch.Tensor) – 负样本评分函数的得分。

返回:

损失值

返回类型:

numpy.ndarray

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