ERMLPE
- class ERMLPE(*, embedding_dim: int = 256, hidden_dim: int | None = None, input_dropout: float = 0.2, hidden_dropout: float | None = None, entity_initializer: str | ~typing.Callable[[~torch.Tensor], ~torch.Tensor] | None = <function uniform_>, relation_initializer: str | ~typing.Callable[[~torch.Tensor], ~torch.Tensor] | None = None, **kwargs)[源代码]
基础类：
ERModelpykeen.models.ERMLP的扩展，由 [sharifzadeh2019] 提出。该模型将实体和关系表示为存储在
Embedding矩阵中的\(d\)维向量。 然后，这些表示被传递给ERMLPEInteraction函数以获得分数。ConvE 可以被视为 ER-MLP (E) 的一个特例，它包含了卷积滤波器的不必要的归纳偏差。该模型的目的是展示从
pykeen.models.ConvE中消除这种偏差（这仅仅给我们留下了一个修改后的 ER-MLP 模型），不仅减少了参数数量，还提高了性能。初始化模型。
- Parameters:
embedding_dim (int) – 嵌入维度（适用于实体和关系）
hidden_dim (int | None) – MLP的隐藏维度；默认为
embedding_dim。input_dropout (float) – MLP的输入dropout
hidden_dropout (float | None) – MLP的隐藏dropout；默认为
input_dropout。entity_initializer (str | Callable[[Tensor], Tensor] | None) – 实体嵌入初始化器
relation_initializer (str | Callable[[Tensor], Tensor] | None) – 关系嵌入初始化器；默认为
entity_initializer。kwargs – 传递给
ERModel.__init__()的额外基于关键字的参数
属性摘要
优化模型超参数的默认策略
默认损失函数类的默认参数
属性文档
- hpo_default: ClassVar[Mapping[str, Any]] = {'embedding_dim': {'high': 256, 'low': 16, 'q': 16, 'type': <class 'int'>}, 'hidden_dim': {'high': 9, 'low': 5, 'scale': 'power_two', 'type': <class 'int'>}, 'hidden_dropout': {'high': 0.5, 'low': 0.0, 'q': 0.1, 'type': <class 'float'>}, 'input_dropout': {'high': 0.5, 'low': 0.0, 'q': 0.1, 'type': <class 'float'>}}
优化模型超参数的默认策略