def train(**kwargs):
kwargs.update({'model': 'PCNN_ATT'})
opt.parse(kwargs)
if opt.use_gpu:
torch.cuda.set_device(opt.gpu_id)
model = getattr(models, 'PCNN_ATT')(opt)
if opt.use_gpu:
model.cuda()
# loading data
DataModel = getattr(dataset, opt.data + 'Data')
train_data = DataModel(opt.data_root, train=True)
train_data_loader = DataLoader(train_data,
opt.batch_size,
shuffle=True,
num_workers=opt.num_workers,
collate_fn=collate_fn)
test_data = DataModel(opt.data_root, train=False)
test_data_loader = DataLoader(test_data,
batch_size=opt.batch_size,
shuffle=False,
num_workers=opt.num_workers,
collate_fn=collate_fn)
print('{} train data: {}; test data: {}'.format(now(), len(train_data),
len(test_data)))
# criterion and optimizer
# criterion = nn.CrossEntropyLoss()
optimizer = optim.Adadelta(model.parameters(), rho=0.95, eps=1e-6)
# train
# max_pre = -1.0
# max_rec = -1.0
for epoch in range(opt.num_epochs):
total_loss = 0
for idx, (data, label_set) in enumerate(train_data_loader):
label = [l[0] for l in label_set]
optimizer.zero_grad()
model.batch_size = opt.batch_size
loss = model(data, label)
if opt.use_gpu:
label = torch.LongTensor(label).cuda()
else:
label = torch.LongTensor(label)
loss.backward()
optimizer.step()
total_loss += loss.item()
# if idx % 100 == 99:
# print('{}: Train iter: {} finish'.format(now(), idx))
if epoch > 2:
# true_y, pred_y, pred_p= predict(model, test_data_loader)
# all_pre, all_rec = eval_metric(true_y, pred_y, pred_p)
pred_res, p_num = predict_var(model, test_data_loader)
all_pre, all_rec = eval_metric_var(pred_res, p_num)
last_pre, last_rec = all_pre[-1], all_rec[-1]
if last_pre > 0.24 and last_rec > 0.24:
save_pr(opt.result_dir,
model.model_name,
epoch,
all_pre,
all_rec,
opt=opt.print_opt)
print('{} Epoch {} save pr'.format(now(), epoch + 1))
print(
'{} Epoch {}/{}: train loss: {}; test precision: {}, test recall {}'
.format(now(), epoch + 1, opt.num_epochs, total_loss, last_pre,
last_rec))
else:
print('{} Epoch {}/{}: train loss: {};'.format(
now(), epoch + 1, opt.num_epochs, total_loss))
def train(**kwargs):
kwargs.update({'model': 'PCNN_ONE'})
opt.parse(kwargs)
if opt.use_gpu:
torch.cuda.set_device(opt.gpu_id)
# torch.manual_seed(opt.seed)
model = getattr(models, 'PCNN_ONE')(opt)
if opt.use_gpu:
# torch.cuda.manual_seed_all(opt.seed)
model.cuda()
# model = nn.DataParallel(model)
# loading data
DataModel = getattr(dataset, opt.data + 'Data')
train_data = DataModel(opt.data_root, train=True)
train_data_loader = DataLoader(train_data, opt.batch_size, shuffle=True, num_workers=opt.num_workers, collate_fn=collate_fn)
test_data = DataModel(opt.data_root, train=False)
test_data_loader = DataLoader(test_data, batch_size=opt.batch_size, shuffle=False, num_workers=opt.num_workers, collate_fn=collate_fn)
print('train data: {}; test data: {}'.format(len(train_data), len(test_data)))
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adadelta(model.parameters(), rho=1.0, eps=1e-6, weight_decay=opt.weight_decay)
# train
print("start training...")
max_pre = -1.0
max_rec = -1.0
for epoch in range(opt.num_epochs):
total_loss = 0
for idx, (data, label_set) in enumerate(train_data_loader):
label = [l[0] for l in label_set]
if opt.use_gpu:
label = torch.LongTensor(label).cuda()
else:
label = torch.LongTensor(label)
data = select_instance(model, data, label)
model.batch_size = opt.batch_size
optimizer.zero_grad()
out = model(data)
loss = criterion(out, Variable(label))
loss.backward()
optimizer.step()
total_loss += loss.data[0]
if epoch < 3:
continue
true_y, pred_y, pred_p = predict(model, test_data_loader)
all_pre, all_rec, fp_res = eval_metric(true_y, pred_y, pred_p)
last_pre, last_rec = all_pre[-1], all_rec[-1]
if last_pre > 0.24 and last_rec > 0.24:
save_pr(opt.result_dir, model.model_name, epoch, all_pre, all_rec, fp_res, opt=opt.print_opt)
print('{} Epoch {} save pr'.format(now(), epoch + 1))
if last_pre > max_pre and last_rec > max_rec:
print("save model")
max_pre = last_pre
max_rec = last_rec
model.save(opt.print_opt)
print('{} Epoch {}/{}: train loss: {}; test precision: {}, test recall {}'.format(now(), epoch + 1, opt.num_epochs, total_loss, last_pre, last_rec))
def train(**kwargs):
# 设置随机数种子
setup_seed(opt.seed)
#调用config.py里的parse函数，可对opt更改默认参数，增加缺少的数值
kwargs.update({'model': 'PCNN_ONE'})
opt.parse(kwargs)
# 如果使用gpu，设置使用指定的gpu
if opt.use_gpu:
torch.cuda.set_device(opt.gpu_id)
# torch.manual_seed(opt.seed)
'''将PCNN_ONE中的各种设定赋到model里
model： PCNN_ONE(
(word_embs): Embedding(114043, 50)
(pos1_embs): Embedding(102, 5)
(pos2_embs): Embedding(102, 5)
(convs): ModuleList(
(0): Conv2d(1, 230, kernel_size=(3, 60), stride=(1, 1), padding=(1, 0))
)
(mask_embedding): Embedding(4, 3)
(linear): Linear(in_features=690, out_features=53, bias=True)
(dropout): Dropout(p=0.5, inplace=False)
)
'''
model = getattr(models, 'PCNN_ONE')(opt)
#如果使用gpu，则对model里的数值进行处理
if opt.use_gpu:
# torch.cuda.manual_seed_all(opt.seed)
model.cuda()
# parallel
# model = nn.DataParallel(model)
# loading data
# DataModel ： dataset.nyt.NYTData 将dataset中的opt.data + 'Data'（即NTYData）对应的值给dataModel
DataModel = getattr(dataset, opt.data + 'Data')
# 将NTY中的train，test数据拿到加载
'''以train数据为例，拿到dataset/NYT/train/ 下的两个npy文件
每个数据以二元组（bag，rel）组成，bag为bags_feature.npy中的一个bag，
rel为labels.npy中的一个数据、记录的是原始bags_train.txt中每个bag中句子标签，
两者间是一一对应的
bags_feature中的一个bag为
es:[0, 0]
num:只针对这行，‘train’例：m.010039 m.01vwm8g NA 99161,292483
对第4个进行操作，如果有逗号则切分；最后统计有多少个这个,就是num
(bag 里面一样，不变)
new_sen:句子的数组,数据不变，数组后面用0填充了，如[[0,2,4,525,6,112,15099,....,0,0,0]]
new_pos:[相对实体1的位置,相对实体2的位置]的数组,数据不变，数组后面用0填充了，如[[84,83,82,81,80,79,....,0,0,0],
[50,49,48,47,46,45,....,0,0,0]]
new_entPos:实体1和实体2在词表的下标的位置且每个值都加1，升序，[[1,35]]
new_masks:最后的句子的数组，数据不变，数组后面用0填充了,即位置如[[1,2,2,2,2,2,2,2,2,....,0,0,0,0]]
labels中的一个rel为：[0, -1, -1, -1]，一个bag中的label的总和不足4个则用-1补足，超过4个则只取前4个,如[0, -1, -1, -1]
'''
train_data = DataModel(opt.data_root, train=True)
train_data_loader = DataLoader(train_data, opt.batch_size, shuffle=True, num_workers=opt.num_workers, collate_fn=collate_fn)
#同上
test_data = DataModel(opt.data_root, train=False)
test_data_loader = DataLoader(test_data, batch_size=opt.batch_size, shuffle=False, num_workers=opt.num_workers, collate_fn=collate_fn)
print('train data: {}; test data: {}'.format(len(train_data), len(test_data)))
# 交叉熵损失函数
criterion = nn.CrossEntropyLoss()
'''
model.parameters() ： <bound method Module.parameters of PCNN_ONE(
(word_embs): Embedding(114043, 50)
(pos1_embs): Embedding(102, 5)
(pos2_embs): Embedding(102, 5)
(convs): ModuleList(
(0): Conv2d(1, 230, kernel_size=(3, 60), stride=(1, 1), padding=(1, 0))
)
(mask_embedding): Embedding(4, 3)
(linear): Linear(in_features=690, out_features=53, bias=True)
(dropout): Dropout(p=0.5, inplace=False)
)>
优化算法的设定 optim.Adadelta(net.parameters(), rho=0.9,eps=1e-6, weight_decay=opt.weight_decay)
params(iterable):待优化参数的iterable或者是定义了参数组的dict
rho:用于计算平方梯度的运行平均值的系数（默认： 0.9）
eps:为了增加数值计算的稳定性二加到分母里的项（默认：1e-6）
weight_decay:权重衰减（L2惩罚）（默认：0）
'''
optimizer = optim.Adadelta(filter(lambda p: p.requires_grad, model.parameters()), rho=1.0, eps=1e-6, weight_decay=opt.weight_decay)
# optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=opt.lr, betas=(0.9, 0.999), weight_decay=opt.weight_decay)
# optimizer = optim.Adadelta(model.parameters(), rho=1.0, eps=1e-6, weight_decay=opt.weight_decay)
# train
print("start training...")
max_pre = -1.0
max_rec = -1.0
for epoch in range(opt.num_epochs):
total_loss = 0
for idx, (data, label_set) in enumerate(train_data_loader):
'''
data 元组: （bag1, bag2,bag3,.....）bag的数据内容如上
label_set 元组:([bag1的rels]，[],.....)
label: 将每个bag的第一个句子中的label取出作为一个数组
'''
label = [l[0] for l in label_set]
if opt.use_gpu:
label = torch.LongTensor(label).cuda()
else:
label = torch.LongTensor(label)
'''
data: [select_ent, select_num, select_sen, select_pf, select_pool, select_mask],里面都是tensor格式
select_ent, select_num：存的是，每个bag里的es和num [[bag1的对应数据],[bag2],....]
select_sen, select_pf, select_pool, select_mask：每个bag里的对应的数据中的一条的数组集合
如select_sen里的是每个bag里sen中的一个句子数组（怎么选择这个句子则是由select_instance里的max_ins_id下标决定）
[[bag1的对应数据],[bag2],....]
'''
data = select_instance(model, data, label)
model.batch_size = opt.batch_size
# 将梯度初始化为零
optimizer.zero_grad()
'''
model(data, train=True)等价于调用了 model.forward(data, train=True)
只是隐藏了
'''
#向前传播，求出预测的值
out = model(data, train=True)
#求loss
loss = criterion(out, label)
#反向传播求梯度
loss.backward()
#更新所有参数
optimizer.step()
total_loss += loss.item()
if epoch < -1:
continue
'''
true_y:tesr_data_loader中的lanbels放到新的数组里，[[bag1的rel]，[],.....,]labels中的一个rel为：[0, -1, -1, -1]，一个bag中的label的总和不足4个则用-1补足，超过4个则只取前4个,如[0, -1, -1, -1]
pred_y:把每个bag经过向前传播后得到out。当out中第i行的最大值不在第一个数且out中第i行的最大值大于 -1.0，pred_label为out中第i行最大值的下标，否则为0，[bag1的预测最大值的下标，bag2....,....]
pred_p:把每个bag经过向前传播后得到out。out中前i行的每行最大值的最大的那个数的值，如果大于-1.0则为tmp_prob或tmp_NA_prob，否则为-1.0，最后将tmp_prob或tmp_NA_prob加入pred_p数组中
以上的i的范围均为[0, bag中句子的个数]
'''
true_y, pred_y, pred_p = predict(model, test_data_loader)
'''调用utils.py里的eval_metric函数得到pr，re fp_re的数组
all_pre：每次循环计算得到的pr值，且保证下一个值不会和前一个重复。循环次数由true_y的个数决定（即test_data_loader中bag的个数）
all_rec：每次循环计算得到的recall值，且保证下一个值不会和前一个重复。循环次数由true_y的个数决定（即test_data_loader中bag的个数）
fp_res： 第idx个最大值的下标（即这个最大值处于第几个bag） 和 对应的bag的经过向前传播后得到out。out中前i行的每行最大值的最大的那个数的值
有关fp_res的补充：
idx表示第几个bag，i：第idx个最大值的下标（即这个最大值处于第几个bag），所对应的bag的rel数组
第idx个最大值的下标（即这个最大值处于第几个bag），所对应的bag的第一个句子的label
如果 第idx个最大值的下标（即这个最大值处于第几个bag），所对应的bag的第一个句子的label为0，
且j(第idx个最大值的下标（即这个最大值处于第几个bag），所对应的bag，处理后得到out中最大值的下标)大于0，即该最大值位置不是第一个
才算入fp_res中
'''
all_pre, all_rec, fp_res = eval_metric(true_y, pred_y, pred_p)
#得到最新算到的pre和recall
last_pre, last_rec = all_pre[-1], all_rec[-1]
if last_pre > 0.24 and last_rec > 0.24:
#将数据all_pre, all_rec, fp_res写入相关文件中
save_pr(opt.result_dir, model.model_name, epoch, all_pre, all_rec, fp_res, opt=opt.print_opt)
print('{} Epoch {} save pr'.format(now(), epoch + 1))
#记录峰值，将该model相关数据写入文件，同时更新峰值
if last_pre > max_pre and last_rec > max_rec:
print("save model")
max_pre = last_pre
max_rec = last_rec
model.save(opt.print_opt)
print('{} Epoch {}/{}: train loss: {}; test precision: {}, test recall {}'.format(now(), epoch + 1, opt.num_epochs, total_loss, last_pre, last_rec))
