对抗损失

class AdversarialLoss(inverse_softmax_temperature: float = 1.0, reduction: str = 'mean')[source]

基础：SetwiseLoss

一种带有对抗性负样本加权的损失。

初始化对抗损失。

Parameters:

inverse_softmax_temperature (float) – softmax温度的倒数
reduction (str) – 缩减操作的名称，参见 Loss.__init__()

方法总结

`forward`(pos_scores, neg_scores, neg_weights)	计算给定分数的损失。
`negative_loss_term_unreduced`(neg_scores[, ...])	计算负分数的损失不进行缩减。
`positive_loss_term`(pos_scores[, ...])	计算正分数的损失。
`process_lcwa_scores`(predictions, labels[, ...])	处理来自LCWA训练循环的分数。
`process_slcwa_scores`(positive_scores, ...[, ...])	处理来自sLCWA训练循环的分数。

方法文档

forward(pos_scores: Tensor, neg_scores: Tensor, neg_weights: Tensor, label_smoothing: float | None = None, num_entities: int | None = None) → Tensor[来源]

计算给定分数的损失。

Parameters:

pos_scores (Tensor) – 形状: s_p 一个正分数的张量
neg_scores (Tensor) – 形状: s_n 一个负分数的张量
neg_weights (Tensor) – 形状: s_n 负分数的对抗权重
label_smoothing (float | None) – 一个可选的标签平滑参数。
num_entities (int | None) – 实体数量（用于标签平滑的必需参数）。

Returns:

一个标量损失值

Return type:

Tensor

abstract negative_loss_term_unreduced(neg_scores: Tensor, label_smoothing: float | None = None, num_entities: int | None = None) → Tensor[source]

计算负分数的损失不进行缩减。

Parameters:

neg_scores (Tensor) – 任意形状负分数
label_smoothing (float | None) – 标签平滑参数
num_entities (int | None) – 实体数量（用于标签平滑的必需参数）

Returns:

标量负分数的未减少损失项

Return type:

Tensor

abstract positive_loss_term(pos_scores: Tensor, label_smoothing: float | None = None, num_entities: int | None = None) → Tensor[来源]

计算正分数的损失。

Parameters:

pos_scores (Tensor) – 任意形状正分数
label_smoothing (float | None) – 标签平滑参数
num_entities (int | None) – 实体数量（用于标签平滑的必需参数）

Returns:

标量正分数的减少损失项

Return type:

Tensor

process_lcwa_scores(predictions: Tensor, labels: Tensor, label_smoothing: float | None = None, num_entities: int | None = None) → Tensor[source]

处理来自LCWA训练循环的分数。

Parameters:

predictions (Tensor) – 形状: (batch_size, num_entities) 分数。
labels (Tensor) – 形状: (batch_size, num_entities) 标签。
label_smoothing (float | None) – 一个可选的标签平滑参数。
num_entities (int | None) – 实体数量（用于标签平滑的必需参数）。

Returns:

一个标量损失值。

Return type:

Tensor

process_slcwa_scores(positive_scores: Tensor, negative_scores: Tensor, label_smoothing: float | None = None, batch_filter: Tensor | None = None, num_entities: int | None = None) → Tensor[来源]

处理来自sLCWA训练循环的分数。

Parameters:

positive_scores (Tensor) – 形状: (batch_size, 1) 正三元组的分数。
negative_scores (Tensor) – 形状: (batch_size, num_neg_per_pos) 或 (num_unfiltered_negatives,) 负三元组的分数，可以是密集的2D形状，或者如果它们已经被过滤，可以是稀疏形状。如果它们以稀疏形状给出，还需要提供batch_filter。
label_smoothing (float | None) – 一个可选的标签平滑参数。
batch_filter (Tensor | None) – 形状: (batch_size, num_neg_per_pos) 一个可选的负分数过滤器，用于保留哪些负分数。仅在负分数已被预过滤时提供。
num_entities (int | None) – 实体的数量。仅在启用标签平滑时需要。

Returns:

一个标量损失项。

Return type:

Tensor