交叉熵损失

class CrossEntropyLoss(reduction: str = 'mean')

基础：SetwiseLoss

评估softmax输出后的交叉熵的交叉熵损失。

注意

相关的 torch 模块是 torch.nn.CrossEntropyLoss，但由于 PyKEEN 的损失函数中实现了扩展功能，因此不能互换使用。

初始化损失。

Parameters:

reduction (str) – 减少方式，参见 pykeen.nn.modules._Loss

方法总结

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

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

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

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