模型的保存和加载:
torch.save(the_model.state_dict(), PATH)
the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))
- 直接保存模型 (不是的, 你的pth变量会保存很多东西)
torch.save(the_model, PATH)
the_model = torch.load(PATH)
模型的直接测试:
- 在prepareModel的时候: 不初始化模型, 直接load模型
- 在run的时候, 直接把train的部分注释掉
master直接进行测试 + 加载模型直接从断点开始训练: (普天同庆, 成功了......)
import numpy as np
from numpy import random
import pickle
from scipy.sparse import csr_matrix
import math
import gc
import time
import random
import datetime
import torch as t
import torch.nn as nn
import torch.utils.data as dataloader
import torch.nn.functional as F
import hypergraph_utils
import DataHandler
import myModel
from Params import args
from Utils.TimeLogger import log
import evaluate
if t.cuda.is_available():
use_cuda = True
else:
use_cuda = False
modelTime = str(int(time.time()))[4:] #TODO: 因为这个所以会过一会儿保存一下
class Model():
def __init__(self):
"""
1.准备dataset的数据: 包括训练集和测试集(但是, 以我现在的能力, 先训练集, 再测试集, 再多行为)
(1)加载数据: 获得矩阵(H,G,E)并转为tensor, 获得itemNum, userNum
(2)获得训练数据非零的最大最小值(按找师兄给的这个大矩阵, 确实要处理): 用以制作dataset, dataloader
2.准备要运算的矩阵
3.准备各种其它参数, 随机种子, 评价指标
"""
self.trn_file = args.path + args.dataset + '/trn_'
self.tst_file = args.path + args.dataset + '/tst_int'
self.t_max = -1 # 处理后数据集的最大时间, 最小时间
self.t_min = 0x7FFFFFFF
self.time_number = -1 # 时间段数
# self.matrixs # 不加后面的看看会不会出错
self.user_num = -1
self.item_num = -1
self.subgraphs = {} #不知道字典可不可以以这种方式初始化
self.behaviors = []#到底为什么要加self? 因为东西初始化的时候, 只在init里面. 如果想要:在这个类的其它函数中也使用, 必须要用它
self.behaviors_data = {}
# self.trainMat = csr_matrix()
# self.train_loader
# self.test_loader
#history
self.train_loss = []
self.his_hr = []
self.his_ndcg = []
gc.collect() #
if args.dataset == 'Tmall':
# self.behaviors = ['buy']
self.behaviors = ['pv','fav', 'cart', 'buy'] #TODO: 暂时把pv去掉了, 因为数据还没处理好
elif args.dataset == 'IJCAI_15':
# self.behaviors = ['click','fav', 'cart', 'buy']
self.behaviors = ['buy']
elif args.dataset == 'JD':
# self.behaviors = ['review','browse', 'buy']
self.behaviors = ['buy']
# data_loader 到底组织在代码的哪个地方: 在model init的地方, 在train_model的地方调用
#加载每个行为的数据 #因为这里的大小不确定: 所以, 是不是需要一个mask, 然后embedding的padding的时候使用
#加载训练数据
for i in range(0, len(self.behaviors)):
with open(self.trn_file + self.behaviors[i], 'rb') as fs: # r是读取人工数据, rb是读取二进制文件
data = pickle.load(fs)
self.behaviors_data[i] = data # TODO: 这样是不是对内存的要求比较高. 是先存到数据结构当中, 还是到时候再读一遍
if data.get_shape()[0] > self.user_num: # TODO: 先按最大的矩阵来, 如果效果不好是不是有pad
self.user_num = data.get_shape()[0] # TODO: 但是, 这样就存在一个问题: 某个时段,会学出一张整表: 这张表中的某个user或者item是不存在的
if data.get_shape()[1] > self.item_num: # TODO: 配合运算的矩阵也变成相同大小, 是可以运算.
self.item_num = data.get_shape()[1] # TODO: 本来没有的embedding也会初始化
# value = data.data #得到数据
# row, col = data.nonzero() # TODO: ????百度也没查到为什么会返回矩阵的行和列
# """
# 处理掉出问题的数据: 为什么把这一段注释掉??? 因为我不知道处理过后的行列各是多少?? 而且buy的数据好像没有出错
# """
# dataset_t_min=1511539200 #获得最早和最晚时间戳
# dataset_t_max=1512316799 #13位时间戳的单位是毫秒, 10位时间戳的单位为秒
#
# new_row = []
# new_col = []
# new_value = []
# for i in range(value.size): #处理掉数据集中的错误
# cur_value = value[i]
# if cur_value > dataset_t_min and cur_value < dataset_t_max:
# new_row.append(row[i])
# new_col.append(col[i])
# new_value.append(cur_value)
if data.data.max() > self.t_max:
self.t_max = data.data.max()
if data.data.min() < self.t_min:
self.t_min = data.data.min()
# original_matrix = sp.csr_matrix(new_value, (new_row, new_col), shape=(len(new_row), len(new_col))) #csr矩阵的另一种初始化方式
# ========>至此得到处理数据后的矩阵
if self.behaviors[i]==args.target:
self.trainMat = data
self.trainLabel = 1*(self.trainMat != 0) #TODO: 看看没用的数据到底是0还是, None
self.labelP = np.squeeze(np.array(np.sum(self.trainLabel, axis=0))) #TODO: 这里为什么要squeeze: 因为做了reduce_sum之后维度会变为1, 所以要把变为1维的那个维度消掉
tmp_time_number = (self.t_max - self.t_min) / args.time_slot + 1 #TODO: 原来一直没算对, 现在看看是什么情况
tmp_time_number = tmp_time_number.astype(int)
# print("\n")
# print("每次时间缝隙的数量:", tmp_time_number)
# print("\n")
# print("最大的时间:", self.t_max)
# print("\n")
# print("最小的时间:", self.t_min)
# print("\n")
# print("时间缝隙:", args.time_slot)
# print("\n")
if tmp_time_number > self.time_number:
self.time_number = tmp_time_number # 浮点数向上取整 TODO:做到了吗???
print("打印看看有多少个时间段: ", self.time_number)
print("\n")
time = datetime.datetime.now()
print("开始构建子图: ", time)
# 子图构建
for i in range(0, len(self.behaviors)):
beh_subgraphs = hypergraph_utils.subgraph_construction(self.behaviors_data[i], self.time_number, self.user_num, self.item_num, self.t_min)
self.subgraphs[i] = beh_subgraphs # TODO: 上面的代码段 要保证得到这个数据结构
time = datetime.datetime.now()
print("结束构建子图: ", time)
# 将子图由csr转为tensor
# self.subgraphs = hypergraph_utils.sparse_matrix_to_torch_sparse_tensor(self.subgraphs, self.time_number, self.behaviors) #因为这里是一个dict所以没有cuda 看看都有哪些变量需要移到.cuda()上
print("user_num: ", self.user_num)
print("item_num: ", self.item_num)
print("\n")
#--------------------------------------------------------至此: 获得多个时间段下的矩阵------------------------------------------>>>>>
train_u, train_v = self.trainMat.nonzero()
# assert np.sum(self.trainMat.data ==0) == 0
# log("train data size = %d"%(train_u.size))
train_data = np.hstack((train_u.reshape(-1,1), train_v.reshape(-1,1))).tolist()
train_dataset = DataHandler.RecDataset(train_data, self.item_num, self.trainMat, True)
self.train_loader = dataloader.DataLoader(train_dataset, batch_size=args.batch, shuffle=True, num_workers=0)
#valid_data
# test_data TODO: 直接把传入的数据做成ui对就可以了
with open(self.tst_file, 'rb') as fs:
data = pickle.load(fs)
test_user = np.array([idx for idx, i in enumerate(data) if i is not None])
test_item = np.array([i for idx, i in enumerate(data) if i is not None])
# tstUsrs = np.reshape(np.argwhere(data!=None), [-1])
test_data = np.hstack((test_user.reshape(-1,1), test_item.reshape(-1,1))).tolist()
# testbatch = np.maximum(1, args.batch * args.sampNum // 100) # TODO: 改变batch的大小----比train_batch大. 至少是1的大小(dataloader的参数)
test_dataset = DataHandler.RecDataset(test_data, self.item_num, self.trainMat, 0, False) #TODO: train的data_loader和test的data_loader不一样
self.test_loader = dataloader.DataLoader(test_dataset, batch_size=args.batch, shuffle=False, num_workers=0) #如果test的时候, 这个batch出了什么错误
# --------------------------------------------------------至此: 构建出dataset----------------------------------------------->>>>>
# #准备好各个时间段的空矩阵, 以备之后赋值
# for i in range(0, self.time_number): # TODO: 确认这里不会到time_number, 不会使矩阵的数量多一个, 少一个
# tmp_mat = sp.dok_matrix(user_num, item_num)
# self.matrixs.appened(tmp_mat)
#
# for i in range(len(original_matrix)):
# # if mat_time > self.t_min and mat_time < self.t_max:
# matrixs[original_matrix.data[i]/agrs.time_slot][][]
def prepareModel(self):
self.modelName = self.getModelName() #这句话只有在存储模型或者直接加载模型的时候才能用到
self.setRandomSeed()
self.gnn_layer = eval(args.gnn_layer) #解析并执行字符串, 单引号和双引号解析为int, 三引号解析为str
self.hidden_dim = args.hidden_dim
self.loadModel()
# self.model = myModel.myModel(self.user_num, self.item_num, self.time_number, self.behaviors, self.subgraphs) #这里导入包之后, 使用类的语法debug好半天的错误
self.opt = t.optim.Adam(self.model.parameters(), lr = args.lr, weight_decay = 0)
if use_cuda:
self.model = self.model.cuda()
def innerProduct(self, u, i, j): #user_embeding 和 item_embedding 的时候使用内积. 而且是和正负样本相关
"""
正,负embedding分别和user做内积, 做两个内积的结果
"""
pred_i = t.sum(t.mul(u,i), dim=1) #*args.mult #因为不知道是 极小还是极大 所以, 这里先往大变
pred_j = t.sum(t.mul(u,j), dim=1) #*args.mult
return pred_i, pred_j
def run(self):
#TODO: 向师兄看齐(已完成: 这部分的架构应该和师兄一样)
# 1.准备模型
# 2.(加载和保存模型, 之后有机会再做)
# 3.循环进行每个epoch的训练:
# (1)设置多久test一次
# (2)训练模型 + 打印
# (3)如果需要test模型: test + 打印
# (4)(如果需要保存模型. 保存)
# 4.整体test模型 + 打印
# 5.(整体保存模型)
self.prepareModel()
log('Model Prepared')
cvWait = 0
self.best_HR = 0
self.best_NDCG = 0
flag = 0
for e in range(0, args.epoch+1):
test = (e % args.tstEpoch == 0)
self.curEpoch = e
log("*****************开始第%d个epoch的测试 ************************"%e)
# epoch_loss = self.trainEpoch()
# self.train_loss.append(epoch_loss)
# log("epoch %d/%d, epoch_loss=%.2f"% (e, args.epoch, epoch_loss))
# self.train_loss.append(epoch_loss)
HR, NDCG = self.testEpoch(self.test_loader)
self.his_hr.append(HR)
self.his_ndcg.append(NDCG)
if HR > self.best_HR:
# self.saveHistory()
# self.saveModel()
self.best_HR = HR
self.best_NDCG = NDCG
print("--------------------------------------------------------------------------------------------------------------------------best_HR", self.best_HR)
print("--------------------------------------------------------------------------------------------------------------------------best_NDCG", self.best_NDCG)
# print(f"epoch{e}/{args.epoch}, test HR = {HR}, valid NDCG = {NDCG}") TODO:深深地怀疑这个用法不能打印函数
# print("epoch %d/%d, test HR = %.4f, valid NDCG = %.4f"%(e, \
# args.epoch, \
# HR, \
# NDCG)) #TODO:这段打印报了很多错
# log("epoch %d/%d, test HR = %.4f, valid NDCG = %.4f" % (e, args.epoch, HR, NDCG))
# 调节学习率
# self.adjust_learning_rate(self.opt, e)
# 提前终止 TODO: 自己再搞一下
# if HR > best_HR:
# best_HR = HR
# cvWait = 0
# best_epoch = self.curEpoch
# self.saveModel()
# else:
# cvWait += 1
# log("cvWait = %d"%(cvWait))
#
# self.saveHistory()
#
#
# if cvWait == args.patience:
# log('Early stopping! best epoch = %d'%(best_epoch))
# self.loadModel(self.modelName)
# break
# 和上面的test不同的是: 这个是最后的测试. 而上面的是在每个epoch进行的过程中 每三个一次, 免得自己等太久看不到结果
HR, NDCG = self.testEpoch(self.test_loader)
self.his_hr.append(HR)
self.his_ndcg.append(NDCG)
# log("epoch %d/%d, test HR = %.4f, valid NDCG = %.4f" % (e, args.epoch, HR, NDCG))
def trainEpoch(self):
"""
1.将groundtruth送进来
2.通过model, 获得所有的embedding
3.计算各种loss, 反向传播, 更新
:return:
"""
train_loader = self.train_loader
log("start negative sample...")
train_loader.dataset.ng_sample()
log("finish negative sample...")
epoch_loss = 0
cnt = 0
for user, item_i, item_j in train_loader: #TODO:train_loader----理解成一个迭代器,每次返回要训练的数据.
# time = datetime.datetime.now()
# print("step_time_start: ", time)
# if cnt==1:
# break
"""
上面三个量的数据类型都是: tensor
上面三个量的数据大小都是: 32, 即跟着参数batch走
"""
# TODO: 即, 现在是将所有的train数据 或者 test数据都送进dataloader. 我们要做的是要将什么送进dataloader
# print("\n") #因为我这里要看看data_loader和batch_size的关系
# print("看看user的数据类型", type(user))
# print("看看user的大小", user.shape)
# print("看看item_i的数据类型", type(item_i))
# print("看看item_i的大小", item_i.shape)
# print("看看item_j的数据类型", type(item_j))
# print("看看item_j的大小", item_j.shape)
# print("cnt: ", cnt)
user = user.long().cuda()
item_i = item_i.long().cuda()
item_j = item_j.long().cuda()
# print("***********************************************************************")
# print("***********************************************************************")
# print("******************************cnt: %d ************************************" % cnt)
# print("***********************************************************************")
# print("***********************************************************************")
# print(self.model.state_dict())
user_embed, item_embed = self.model(self.subgraphs)
userEmbed = user_embed[user]
posEmbed = item_embed[item_i]
negEmbed = item_embed[item_j]
pred_i, pred_j = self.innerProduct(userEmbed, posEmbed, negEmbed)
bprloss = - (pred_i.view(-1) - pred_j.view(-1)).sigmoid().log().sum() #TODO: 因为loss为nan才设置的 bpr_loss只是正负样本对的预测结果, 不涉及ground_truth TODO:可以用mean做
regLoss = (t.norm(userEmbed) ** 2 + t.norm(posEmbed) ** 2 + t.norm(negEmbed) ** 2)
loss = 0.5 * (bprloss + args.reg * regLoss) / args.batch
epoch_loss = epoch_loss + bprloss.item()
self.opt.zero_grad()
loss.backward()
self.opt.step()
# time = datetime.datetime.now()
# print("step_time_end: ", time)
cnt+=1
# if cnt%20 == 0: #TODO:一共642916条数据, 每次取batch=32来, 一个epoch确实需要训练很长时间
# print("cnt: %d step_loss: %f \n" % (cnt, loss.item())) # python打印输出的语法: 如果要打印的话, 用%连接
log('step %d, step_loss = %f'%(cnt, loss.item()), save=False, oneline=True) #log打印不了
log("finish train")
return epoch_loss
def testEpoch(self, data_loader, save=False):
# load test dataset
# HR, NDCG = self.validModel(self.test_loader)
# log("test HR = %.4f, test NDCG = %.4f" % (HR, NDCG))
# log("model name : %s" % (self.modelName))
# epochHit, epochNdcg = [0] * 2
epochHR, epochNDCG = [0]*2
user_embed, item_embed = self.model(self. subgraphs)
cnt = 0
tot = 0
for user, item_i in data_loader:
user_compute, item_compute, user_item1, user_item100 = self.sampleTestBatch(user, item_i) #TODO: 这里.cuda()会报错, 可能是函数返回的东西不是tensor. 但是感觉不是cuda会有问题, 之后再移动.
userEmbed = user_embed[user_compute] #[614400, 16], [147894, 16]
# bug = [ (index, value) for index, value in enumerate(item_compute) if (value>=22734 or value<0)]
# print("**************************bug: ", bug)
# print("**************************max(item_compute): ", max(item_compute))
# print("**************************min(item_compute): ", min(item_compute))
# print("**************************item_embed: ", len(item_embed))
itemEmbed = item_embed[item_compute]
# itemEmbed = item_embed[ \
# item_compute \
# ] #[], []
pred_i = t.sum(t.mul(userEmbed, itemEmbed), dim=1) #原来是*点乘, 维度相同, 按一行合成一个数: 就是预测的分数
hit, ndcg = self.calcRes(t.reshape(pred_i, [user.shape[0], 100]), user_item1, user_item100) #TODO: 是按照自己的想法写的, 非常有可能报错
epochHR = epochHR + hit #TODO: 看看这里到底是一个列表, 还是加法
epochNDCG = epochNDCG + ndcg #
# print(f"Step {cnt}: hit:{hit}, ndcg:{ndcg}")
cnt += 1 #TODO: 可以看看像这种情况会在哪些地方报错
tot += user.shape[0]
result_HR = epochHR / tot
result_NDCG = epochNDCG / tot
print(f"Step {cnt}: hit:{result_HR}, ndcg:{result_NDCG}")
return result_HR, result_NDCG
# def validModel(self, data_loader, save=False):
# HR, NDCG = [], []
# user_embed, item_embed = self.model(self.subgraphs)
#
# for user, item_i in data_loader:
# user = user.long().cuda() #TODO: 问问环测师兄为什么这里要用long()
# item_i = item_i.long().cuda()
#
# userEmbed = user_embed[user]
# testItemEmbed = item_embed[item_i]
# pred_i = t.sum(t.mul(userEmbed, testItemEmbed), dim=1) #还是所有的embedding一起算
#
# #TODO: 按照每个batch计算 评价指标
# batch = int(user.cpu().numpy().size / 101)
# assert user.cpu().numpy().size % 101 == 0
# for i in range(batch): # TODO: 问题来了, 为什么哪里都会有一个101??
# batch_scores = pred_i[i * 101: (i + 1) * 101].view(-1)
# _, indices = t.topk(batch_scores, self.args.top_k)
# tmp_item_i = item_i[i * 101: (i + 1) * 101]
# recommends = t.take(tmp_item_i, indices).cpu().numpy().tolist()
# gt_item = tmp_item_i[0].item()
# HR.append(evaluate.hit(gt_item, recommends))
# NDCG.append(evaluate.ndcg(gt_item, recommends))
#
# return np.mean(HR), np.mean(NDCG)
def sampleTestBatch(self, batch_user_id, batch_item_id):
#TODO:
# 输入: 一个batch的user_id
# 需求:
# (1) [batch, 1]ground_truth------其实外层函数是有的, 直接传进来就好
# (2) buy邻接矩阵------self.应该是有的, 直接用就好
# (3) []
# (4) []
# [batch, item_num]可以负采样的------从矩阵中取出的一条, 有值为:false, 无值为:true
# 输出: batch*100个user_id, batch*100个item_id, [batch, 1]ground_truth, [batch, 100]
batch = len(batch_user_id)
tmplen = (batch*100)
sub_trainMat = self.trainMat[batch_user_id].toarray() #取到sub矩阵
user_item1 = batch_item_id #得到每个user对应的正例
user_compute = [None] * tmplen
item_compute = [None] * tmplen
user_item100 = [None] * (batch)
cur = 0
for i in range(batch):
pos_item = user_item1[i] #得到每个user对应的正例
negset = np.reshape(np.argwhere(sub_trainMat[i]==0), [-1]) #TODO:得到一个sub矩阵, 并且把负例挑出来------!!!这里按理来说应该得到所有负的id. 不定长,所有负样本的id做成一列
pvec = self.labelP[negset] #取到未交互的item的频数
pvec = pvec / np.sum(pvec) #对所有取到的频数做归一化
# random_neg_sam = np.random.choice(negset, 99, replace=False, p=pvec) #在negset里面取, 取99个, 以pvec的概率
random_neg_sam = np.random.permutation(negset)[:99] #随机打乱, 取前99个: 如果报错你的包有问题, 很有可能是你自己的拼写错误
user_item100_one_user = np.concatenate(( random_neg_sam, np.array([pos_item]))) #TODO: np.concatenate 这个接口一次性完成数组的拼接. 但是, 有一个很神奇的事情让我debug了半天: 第一个参数自己就要加括号
user_item100[i] = user_item100_one_user
for j in range(100):
user_compute[cur] = batch_user_id[i]
item_compute[cur] = user_item100_one_user[j]
cur += 1
return user_compute, item_compute, user_item1, user_item100
# 参数一: batch*100即每个user重复100遍[batch*100] 参数二:随机采样的99个负例item+正例item[batch*100]
# 参数三: 正例对应的item_id[batch] 参数四:随机采样+负例[batch, 100]
def calcRes(self, pred_i, user_item1, user_item100): #[6144, 100] [6144] [6144, (ndarray:(100,))]
#TODO:
# 1.遍历: 每一个预测结果
# (1)
# (2)
# (3)
# (4)
hit = 0
ndcg = 0
# print("等一下: 这个函数你进来了吗?")
for j in range(pred_i.shape[0]):
# predvals = list(zip(pred_i[j], user_item100[j])) #100:100预测分数和id放在一起
# predvals.sort(key=lambda x:x[0], reverse=True) #按分数降序排列
# shoot = list(map(lambda x:x[1], predvals[:args.shoot])) #取预测分数的前shoot个的item_id
_, shoot_index = t.topk(pred_i[j], args.shoot)
shoot_index = shoot_index.cpu()
shoot = user_item100[j][shoot_index]
shoot = shoot.tolist()
if user_item1[j] in shoot: #如果正样本的id在前k个
hit += 1 #HR只要在里面, 就计数: 所以HR的分子是一个正数
ndcg += np.reciprocal( \
np.log2( \
shoot.index( \
user_item1[j])+2)) #取在里面的位置做分母, 作为惩罚: 所以ndcg的分子是一个分数
# print(f"hit: {}")
return hit, ndcg #int, float
def setRandomSeed(self):
np.random.seed(args.seed)
t.manual_seed(args.seed)
t.cuda.manual_seed(args.seed)
random.seed(args.seed)
def getModelName(self): #TODO: 再确认一下自己的参数名都是否正确
title = "master_behavior_attention_mean"
ModelName = title + args.dataset + "_" + modelTime + \
"_lr_" + str(args.lr) + \
"_batch_size_" + str(args.batch) + \
"_reg_" + str(args.reg) + \
"_time_slot_" + str(args.time_slot) + \
"_hidden_dim_" + str(args.hidden_dim) + \
"_gnn_layer_" + str(args.gnn_layer)
return ModelName
#TODO: 需要的东西主要从history中加载
def saveHistory(self): #获得训练到某一个epoch为止的各种loss和指标, 存储到某个文件中
#要画图的东西存到history里面
history = dict()
history['loss'] = self.train_loss #获得训练到某一个epoch为止的loss
history['HR'] = self.his_hr
history['NDCG'] = self.his_ndcg
ModelName = self.modelName
with open(r'./History/' + args.dataset + r'/' + ModelName + '.his', 'wb') as fs: # r代表不转义 TODO: 这个路径还要再确认一下吧, 主要是这个ModelName的问题
pickle.dump(history, fs)
def saveModel(self): #这个模型没什么, 就是保存函数. TODO: 主要思考这里保存什么函数
ModelName = self.getModelName()
ModelName = self.modelName
history = dict()
# history['loss'] = self.train_loss
# history['HR'] = self.his_hr
# history['NDCG'] = self.his_ndcg
savePath = r'./Model/' + args.dataset + r'/' + ModelName + r'.pth'
params = {
# 'epoch': self.curEpoch,
# 'lr': self.lr,
'model': self.model,
# 'reg': self.reg,
# 'history': history,
}
t.save(params, savePath)
def loadModel(self): #TODO: 问一下环测师兄这个有用吗
ModelName = self.modelName
# loadPath = r'./Model/' + args.dataset + r'/' + ModelName + r'.pth'
loadPath = "/mnt/hdd10/weiw/master_behavior_attention/Model/IJCAI_15/master_behavior_attention_meanIJCAI_15_675679_lr_0.001_batch_size_4096_reg_0.01_time_slot_15552000_hidden_dim_16_gnn_layer_[16, 16].pth"
checkpoint = t.load(loadPath)
self.model = checkpoint['model']
# self.curEpoch = checkpoint['epoch'] + 1
# self.lr = checkpoint['lr']
# self.model = checkpoint['model']
# self.args.reg = checkpoint['reg']
# # 恢复history
# history = checkpoint['history']
# self.train_loss = history['loss']
# self.his_hr = history['HR']
# self.his_ndcg = history['NDCG']
# log("load model %s in epoch %d"%(modelPath, checkpoint['epoch']))
if __name__ == '__main__':
# TODO: follow师兄的实验设置, 将模型向和大家一个水平调整
# -3.把embedding写成para和, 把embedding写成embedding是不一样
# -2.初始化只有一次: 所有weight初始的值只有一次
# -1.到底什么是一个模型需要训练的参数: (1)写进去的weights (2)embedding算不算???: embedding到底是自己计算更新, 还是和模型一起会计算
# 0.查看自己的参数有没有更新: 因为, 现在明显感觉, 自己的loss只是通过embedding计算的. 所以,即感觉参数好像没有更新???
# 1.将run的过程, 调整成和师兄一样
# 2.确定, 自己的dataloader到底要如何组织
# 3.理解大图采样
# 4.理解batch采样
# 5.理解测评----最终目的, 知道模型要向着一个好的结果, 中间的计算过程是什么, 会有哪些影响因素
# 6.查看师兄的代码, 看看有哪些巧妙的做法, 能够使得模型结果上升.
my_model = Model() #为了偷懒想将整个训练的模型移到GPU上, 看看这样做会不会报错: 不是pytorch框架里的东西是没有cuda()的
my_model.run()
# my_model.test()
import numpy as np
from numpy import random
import pickle
from scipy.sparse import csr_matrix
import math
import gc
import time
import random
import datetime
import torch as t
import torch.nn as nn
import torch.utils.data as dataloader
import torch.nn.functional as F
import hypergraph_utils
import DataHandler
import myModel
from Params import args
from Utils.TimeLogger import log
import evaluate
if t.cuda.is_available():
use_cuda = True
else:
use_cuda = False
# modelTime = str(int(time.time()))[4:] #TODO: 因为这个所以会过一会儿保存一下
now_time = datetime.datetime.now()
modelTime = datetime.datetime.strftime(now_time,'%Y_%m_%d__%H_%M_%S')
class Model():
def __init__(self):
"""
1.准备dataset的数据: 包括训练集和测试集(但是, 以我现在的能力, 先训练集, 再测试集, 再多行为)
(1)加载数据: 获得矩阵(H,G,E)并转为tensor, 获得itemNum, userNum
(2)获得训练数据非零的最大最小值(按找师兄给的这个大矩阵, 确实要处理): 用以制作dataset, dataloader
2.准备要运算的矩阵
3.准备各种其它参数, 随机种子, 评价指标
"""
self.trn_file = args.path + args.dataset + '/trn_'
self.tst_file = args.path + args.dataset + '/tst_int'
self.t_max = -1 # 处理后数据集的最大时间, 最小时间
self.t_min = 0x7FFFFFFF
self.time_number = -1 # 时间段数
# self.matrixs # 不加后面的看看会不会出错
self.user_num = -1
self.item_num = -1
self.subgraphs = {} #不知道字典可不可以以这种方式初始化
self.behaviors = []#到底为什么要加self? 因为东西初始化的时候, 只在init里面. 如果想要:在这个类的其它函数中也使用, 必须要用它
self.behaviors_data = {}
# self.trainMat = csr_matrix()
# self.train_loader
# self.test_loader
#history
self.train_loss = []
self.his_hr = []
self.his_ndcg = []
gc.collect() #
#
self.curEpoch = 0
# self.isLoadModel = args.isload
if args.dataset == 'Tmall':
# self.behaviors = ['buy']
self.behaviors = ['pv','fav', 'cart', 'buy'] #TODO: 暂时把pv去掉了, 因为数据还没处理好
elif args.dataset == 'IJCAI_15':
# self.behaviors = ['click','fav', 'cart', 'buy']
self.behaviors = ['buy']
elif args.dataset == 'JD':
self.behaviors = ['review','browse', 'buy']
# self.behaviors = ['buy']
# data_loader 到底组织在代码的哪个地方: 在model init的地方, 在train_model的地方调用
#加载每个行为的数据 #因为这里的大小不确定: 所以, 是不是需要一个mask, 然后embedding的padding的时候使用
#加载训练数据
for i in range(0, len(self.behaviors)):
with open(self.trn_file + self.behaviors[i], 'rb') as fs: # r是读取人工数据, rb是读取二进制文件
data = pickle.load(fs)
self.behaviors_data[i] = data # TODO: 这样是不是对内存的要求比较高. 是先存到数据结构当中, 还是到时候再读一遍
if data.get_shape()[0] > self.user_num: # TODO: 先按最大的矩阵来, 如果效果不好是不是有pad
self.user_num = data.get_shape()[0] # TODO: 但是, 这样就存在一个问题: 某个时段,会学出一张整表: 这张表中的某个user或者item是不存在的
if data.get_shape()[1] > self.item_num: # TODO: 配合运算的矩阵也变成相同大小, 是可以运算.
self.item_num = data.get_shape()[1] # TODO: 本来没有的embedding也会初始化
# value = data.data #得到数据
# row, col = data.nonzero() # TODO: ????百度也没查到为什么会返回矩阵的行和列
# """
# 处理掉出问题的数据: 为什么把这一段注释掉??? 因为我不知道处理过后的行列各是多少?? 而且buy的数据好像没有出错
# """
# dataset_t_min=1511539200 #获得最早和最晚时间戳
# dataset_t_max=1512316799 #13位时间戳的单位是毫秒, 10位时间戳的单位为秒
#
# new_row = []
# new_col = []
# new_value = []
# for i in range(value.size): #处理掉数据集中的错误
# cur_value = value[i]
# if cur_value > dataset_t_min and cur_value < dataset_t_max:
# new_row.append(row[i])
# new_col.append(col[i])
# new_value.append(cur_value)
if data.data.max() > self.t_max:
self.t_max = data.data.max()
if data.data.min() < self.t_min:
self.t_min = data.data.min()
# original_matrix = sp.csr_matrix(new_value, (new_row, new_col), shape=(len(new_row), len(new_col))) #csr矩阵的另一种初始化方式
# ========>至此得到处理数据后的矩阵
if self.behaviors[i]==args.target:
self.trainMat = data
self.trainLabel = 1*(self.trainMat != 0) #TODO: 看看没用的数据到底是0还是, None
self.labelP = np.squeeze(np.array(np.sum(self.trainLabel, axis=0))) #TODO: 这里为什么要squeeze: 因为做了reduce_sum之后维度会变为1, 所以要把变为1维的那个维度消掉
tmp_time_number = (self.t_max - self.t_min) / args.time_slot + 1 #TODO: 原来一直没算对, 现在看看是什么情况
tmp_time_number = tmp_time_number.astype(int)
# print("\n")
# print("每次时间缝隙的数量:", tmp_time_number)
# print("\n")
# print("最大的时间:", self.t_max)
# print("\n")
# print("最小的时间:", self.t_min)
# print("\n")
# print("时间缝隙:", args.time_slot)
# print("\n")
if tmp_time_number > self.time_number:
self.time_number = tmp_time_number # 浮点数向上取整 TODO:做到了吗???
print("打印看看有多少个时间段: ", self.time_number)
print("\n")
time = datetime.datetime.now()
print("开始构建子图: ", time)
# 子图构建
for i in range(0, len(self.behaviors)):
beh_subgraphs = hypergraph_utils.subgraph_construction(self.behaviors_data[i], self.time_number, self.user_num, self.item_num, self.t_min)
self.subgraphs[i] = beh_subgraphs # TODO: 上面的代码段 要保证得到这个数据结构
time = datetime.datetime.now()
print("结束构建子图: ", time)
# 将子图由csr转为tensor
# self.subgraphs = hypergraph_utils.sparse_matrix_to_torch_sparse_tensor(self.subgraphs, self.time_number, self.behaviors) #因为这里是一个dict所以没有cuda 看看都有哪些变量需要移到.cuda()上
print("user_num: ", self.user_num)
print("item_num: ", self.item_num)
print("\n")
#--------------------------------------------------------至此: 获得多个时间段下的矩阵------------------------------------------>>>>>
train_u, train_v = self.trainMat.nonzero()
# assert np.sum(self.trainMat.data ==0) == 0
# log("train data size = %d"%(train_u.size))
train_data = np.hstack((train_u.reshape(-1,1), train_v.reshape(-1,1))).tolist()
train_dataset = DataHandler.RecDataset(train_data, self.item_num, self.trainMat, True)
self.train_loader = dataloader.DataLoader(train_dataset, batch_size=args.batch, shuffle=True, num_workers=0)
#valid_data
# test_data TODO: 直接把传入的数据做成ui对就可以了
with open(self.tst_file, 'rb') as fs:
data = pickle.load(fs)
test_user = np.array([idx for idx, i in enumerate(data) if i is not None])
test_item = np.array([i for idx, i in enumerate(data) if i is not None])
# tstUsrs = np.reshape(np.argwhere(data!=None), [-1])
test_data = np.hstack((test_user.reshape(-1,1), test_item.reshape(-1,1))).tolist()
# testbatch = np.maximum(1, args.batch * args.sampNum // 100) # TODO: 改变batch的大小----比train_batch大. 至少是1的大小(dataloader的参数)
test_dataset = DataHandler.RecDataset(test_data, self.item_num, self.trainMat, 0, False) #TODO: train的data_loader和test的data_loader不一样
self.test_loader = dataloader.DataLoader(test_dataset, batch_size=args.batch, shuffle=False, num_workers=0) #如果test的时候, 这个batch出了什么错误
# --------------------------------------------------------至此: 构建出dataset----------------------------------------------->>>>>
# #准备好各个时间段的空矩阵, 以备之后赋值
# for i in range(0, self.time_number): # TODO: 确认这里不会到time_number, 不会使矩阵的数量多一个, 少一个
# tmp_mat = sp.dok_matrix(user_num, item_num)
# self.matrixs.appened(tmp_mat)
#
# for i in range(len(original_matrix)):
# # if mat_time > self.t_min and mat_time < self.t_max:
# matrixs[original_matrix.data[i]/agrs.time_slot][][]
def prepareModel(self):
self.modelName = self.getModelName() #这句话只有在存储模型或者直接加载模型的时候才能用到
self.setRandomSeed()
self.gnn_layer = eval(args.gnn_layer) #解析并执行字符串, 单引号和双引号解析为int, 三引号解析为str
self.hidden_dim = args.hidden_dim
# self.out_dim =
self.model = myModel.myModel(self.user_num, self.item_num, self.time_number, self.behaviors, self.subgraphs) #这里导入包之后, 使用类的语法debug好半天的错误
self.opt = t.optim.Adam(self.model.parameters(), lr = args.lr, weight_decay = 0)
if use_cuda:
self.model = self.model.cuda()
def innerProduct(self, u, i, j): #user_embeding 和 item_embedding 的时候使用内积. 而且是和正负样本相关
"""
正,负embedding分别和user做内积, 做两个内积的结果
"""
pred_i = t.sum(t.mul(u,i), dim=1) #*args.mult #因为不知道是 极小还是极大 所以, 这里先往大变
pred_j = t.sum(t.mul(u,j), dim=1) #*args.mult
return pred_i, pred_j
def run(self):
#TODO: 向师兄看齐(已完成: 这部分的架构应该和师兄一样)
# 1.准备模型
# 2.(加载和保存模型, 之后有机会再做)
# 3.循环进行每个epoch的训练:
# (1)设置多久test一次
# (2)训练模型 + 打印
# (3)如果需要test模型: test + 打印
# (4)(如果需要保存模型. 保存)
# 4.整体test模型 + 打印
# 5.(整体保存模型)
self.prepareModel()
if args.isload == True:
self.loadModel(args.loadModelPath)
print("----------------------pre test:")
HR, NDCG = self.testEpoch(self.test_loader)
print(f"HR: {HR} , NDCG: {NDCG}") #以f开头的字符串, {}中间的值会被替换掉
log('Model Prepared')
cvWait = 0
self.best_HR = 0
self.best_NDCG = 0
flag = 0
for e in range(self.curEpoch, args.epoch+1):
test = (e % args.tstEpoch == 0)
self.curEpoch = e
log("*****************开始第%d个epoch的训练 ************************"%e)
epoch_loss = self.trainEpoch()
self.train_loss.append(epoch_loss)
log("epoch %d/%d, epoch_loss=%.2f"% (e, args.epoch, epoch_loss))
self.train_loss.append(epoch_loss)
HR, NDCG = self.testEpoch(self.test_loader)
self.his_hr.append(HR)
self.his_ndcg.append(NDCG)
if HR > self.best_HR:
# self.saveHistory()
self.saveModel()
self.best_HR = HR
self.best_NDCG = NDCG
self.best_epoch = self.curEpoch
print("--------------------------------------------------------------------------------------------------------------------------best_HR", self.best_HR)
print("--------------------------------------------------------------------------------------------------------------------------best_NDCG", self.best_NDCG)
# print(f"epoch{e}/{args.epoch}, test HR = {HR}, valid NDCG = {NDCG}") TODO:深深地怀疑这个用法不能打印函数
# print("epoch %d/%d, test HR = %.4f, valid NDCG = %.4f"%(e, \
# args.epoch, \
# HR, \
# NDCG)) #TODO:这段打印报了很多错
# log("epoch %d/%d, test HR = %.4f, valid NDCG = %.4f" % (e, args.epoch, HR, NDCG))
# 调节学习率
# self.adjust_learning_rate(self.opt, e)
# 提前终止 TODO: 自己再搞一下
# if HR > best_HR:
# best_HR = HR
# cvWait = 0
# best_epoch = self.curEpoch
# self.saveModel()
# else:
# cvWait += 1
# log("cvWait = %d"%(cvWait))
#
# self.saveHistory()
#
#
# if cvWait == args.patience:
# log('Early stopping! best epoch = %d'%(best_epoch))
# self.loadModel(self.modelName)
# break
# 和上面的test不同的是: 这个是最后的测试. 而上面的是在每个epoch进行的过程中 每三个一次, 免得自己等太久看不到结果
HR, NDCG = self.testEpoch(self.test_loader)
self.his_hr.append(HR)
self.his_ndcg.append(NDCG)
# log("epoch %d/%d, test HR = %.4f, valid NDCG = %.4f" % (e, args.epoch, HR, NDCG))
def trainEpoch(self):
"""
1.将groundtruth送进来
2.通过model, 获得所有的embedding
3.计算各种loss, 反向传播, 更新
:return:
"""
train_loader = self.train_loader
log("start negative sample...")
train_loader.dataset.ng_sample()
log("finish negative sample...")
epoch_loss = 0
cnt = 0
for user, item_i, item_j in train_loader: #TODO:train_loader----理解成一个迭代器,每次返回要训练的数据.
# time = datetime.datetime.now()
# print("step_time_start: ", time)
# if cnt==1:
# break
"""
上面三个量的数据类型都是: tensor
上面三个量的数据大小都是: 32, 即跟着参数batch走
"""
# TODO: 即, 现在是将所有的train数据 或者 test数据都送进dataloader. 我们要做的是要将什么送进dataloader
# print("\n") #因为我这里要看看data_loader和batch_size的关系
# print("看看user的数据类型", type(user))
# print("看看user的大小", user.shape)
# print("看看item_i的数据类型", type(item_i))
# print("看看item_i的大小", item_i.shape)
# print("看看item_j的数据类型", type(item_j))
# print("看看item_j的大小", item_j.shape)
# print("cnt: ", cnt)
user = user.long().cuda()
item_i = item_i.long().cuda()
item_j = item_j.long().cuda()
# print("***********************************************************************")
# print("***********************************************************************")
# print("******************************cnt: %d ************************************" % cnt)
# print("***********************************************************************")
# print("***********************************************************************")
# print(self.model.state_dict())
user_embed, item_embed = self.model(self.subgraphs)
userEmbed = user_embed[user]
posEmbed = item_embed[item_i]
negEmbed = item_embed[item_j]
pred_i, pred_j = self.innerProduct(userEmbed, posEmbed, negEmbed)
bprloss = - (pred_i.view(-1) - pred_j.view(-1)).sigmoid().log().sum() #TODO: 因为loss为nan才设置的 bpr_loss只是正负样本对的预测结果, 不涉及ground_truth TODO:可以用mean做
regLoss = (t.norm(userEmbed) ** 2 + t.norm(posEmbed) ** 2 + t.norm(negEmbed) ** 2)
loss = 0.5 * (bprloss + args.reg * regLoss) / args.batch
epoch_loss = epoch_loss + bprloss.item()
self.opt.zero_grad()
loss.backward()
self.opt.step()
# time = datetime.datetime.now()
# print("step_time_end: ", time)
cnt+=1
# if cnt%20 == 0: #TODO:一共642916条数据, 每次取batch=32来, 一个epoch确实需要训练很长时间
# print("cnt: %d step_loss: %f \n" % (cnt, loss.item())) # python打印输出的语法: 如果要打印的话, 用%连接
log('step %d, step_loss = %f'%(cnt, loss.item()), save=False, oneline=True) #log打印不了
log("finish train")
return epoch_loss
def testEpoch(self, data_loader, save=False):
# load test dataset
# HR, NDCG = self.validModel(self.test_loader)
# log("test HR = %.4f, test NDCG = %.4f" % (HR, NDCG))
# log("model name : %s" % (self.modelName))
# epochHit, epochNdcg = [0] * 2
epochHR, epochNDCG = [0]*2
user_embed, item_embed = self.model(self. subgraphs)
cnt = 0
tot = 0
for user, item_i in data_loader:
user_compute, item_compute, user_item1, user_item100 = self.sampleTestBatch(user, item_i) #TODO: 这里.cuda()会报错, 可能是函数返回的东西不是tensor. 但是感觉不是cuda会有问题, 之后再移动.
userEmbed = user_embed[user_compute] #[614400, 16], [147894, 16]
# bug = [ (index, value) for index, value in enumerate(item_compute) if (value>=22734 or value<0)]
# print("**************************bug: ", bug)
# print("**************************max(item_compute): ", max(item_compute))
# print("**************************min(item_compute): ", min(item_compute))
# print("**************************item_embed: ", len(item_embed))
itemEmbed = item_embed[item_compute]
# itemEmbed = item_embed[ \
# item_compute \
# ] #[], []
pred_i = t.sum(t.mul(userEmbed, itemEmbed), dim=1) #原来是*点乘, 维度相同, 按一行合成一个数: 就是预测的分数
hit, ndcg = self.calcRes(t.reshape(pred_i, [user.shape[0], 100]), user_item1, user_item100) #TODO: 是按照自己的想法写的, 非常有可能报错
epochHR = epochHR + hit #TODO: 看看这里到底是一个列表, 还是加法
epochNDCG = epochNDCG + ndcg #
# print(f"Step {cnt}: hit:{hit}, ndcg:{ndcg}")
cnt += 1 #TODO: 可以看看像这种情况会在哪些地方报错
tot += user.shape[0]
result_HR = epochHR / tot
result_NDCG = epochNDCG / tot
print(f"Step {cnt}: hit:{result_HR}, ndcg:{result_NDCG}")
return result_HR, result_NDCG
# def validModel(self, data_loader, save=False):
# HR, NDCG = [], []
# user_embed, item_embed = self.model(self.subgraphs)
#
# for user, item_i in data_loader:
# user = user.long().cuda() #TODO: 问问环测师兄为什么这里要用long()
# item_i = item_i.long().cuda()
#
# userEmbed = user_embed[user]
# testItemEmbed = item_embed[item_i]
# pred_i = t.sum(t.mul(userEmbed, testItemEmbed), dim=1) #还是所有的embedding一起算
#
# #TODO: 按照每个batch计算 评价指标
# batch = int(user.cpu().numpy().size / 101)
# assert user.cpu().numpy().size % 101 == 0
# for i in range(batch): # TODO: 问题来了, 为什么哪里都会有一个101??
# batch_scores = pred_i[i * 101: (i + 1) * 101].view(-1)
# _, indices = t.topk(batch_scores, self.args.top_k)
# tmp_item_i = item_i[i * 101: (i + 1) * 101]
# recommends = t.take(tmp_item_i, indices).cpu().numpy().tolist()
# gt_item = tmp_item_i[0].item()
# HR.append(evaluate.hit(gt_item, recommends))
# NDCG.append(evaluate.ndcg(gt_item, recommends))
#
# return np.mean(HR), np.mean(NDCG)
def sampleTestBatch(self, batch_user_id, batch_item_id):
#TODO:
# 输入: 一个batch的user_id
# 需求:
# (1) [batch, 1]ground_truth------其实外层函数是有的, 直接传进来就好
# (2) buy邻接矩阵------self.应该是有的, 直接用就好
# (3) []
# (4) []
# [batch, item_num]可以负采样的------从矩阵中取出的一条, 有值为:false, 无值为:true
# 输出: batch*100个user_id, batch*100个item_id, [batch, 1]ground_truth, [batch, 100]
batch = len(batch_user_id)
tmplen = (batch*100)
sub_trainMat = self.trainMat[batch_user_id].toarray() #取到sub矩阵
user_item1 = batch_item_id #得到每个user对应的正例
user_compute = [None] * tmplen
item_compute = [None] * tmplen
user_item100 = [None] * (batch)
cur = 0
for i in range(batch):
pos_item = user_item1[i] #得到每个user对应的正例
negset = np.reshape(np.argwhere(sub_trainMat[i]==0), [-1]) #TODO:得到一个sub矩阵, 并且把负例挑出来------!!!这里按理来说应该得到所有负的id. 不定长,所有负样本的id做成一列
pvec = self.labelP[negset] #取到未交互的item的频数
pvec = pvec / np.sum(pvec) #对所有取到的频数做归一化
# random_neg_sam = np.random.choice(negset, 99, replace=False, p=pvec) #在negset里面取, 取99个, 以pvec的概率
random_neg_sam = np.random.permutation(negset)[:99] #随机打乱, 取前99个: 如果报错你的包有问题, 很有可能是你自己的拼写错误
user_item100_one_user = np.concatenate(( random_neg_sam, np.array([pos_item]))) #TODO: np.concatenate 这个接口一次性完成数组的拼接. 但是, 有一个很神奇的事情让我debug了半天: 第一个参数自己就要加括号
user_item100[i] = user_item100_one_user
for j in range(100):
user_compute[cur] = batch_user_id[i]
item_compute[cur] = user_item100_one_user[j]
cur += 1
return user_compute, item_compute, user_item1, user_item100
# 参数一: batch*100即每个user重复100遍[batch*100] 参数二:随机采样的99个负例item+正例item[batch*100]
# 参数三: 正例对应的item_id[batch] 参数四:随机采样+负例[batch, 100]
def calcRes(self, pred_i, user_item1, user_item100): #[6144, 100] [6144] [6144, (ndarray:(100,))]
#TODO:
# 1.遍历: 每一个预测结果
# (1)
# (2)
# (3)
# (4)
hit = 0
ndcg = 0
# print("等一下: 这个函数你进来了吗?")
for j in range(pred_i.shape[0]):
# predvals = list(zip(pred_i[j], user_item100[j])) #100:100预测分数和id放在一起
# predvals.sort(key=lambda x:x[0], reverse=True) #按分数降序排列
# shoot = list(map(lambda x:x[1], predvals[:args.shoot])) #取预测分数的前shoot个的item_id
_, shoot_index = t.topk(pred_i[j], args.shoot)
shoot_index = shoot_index.cpu()
shoot = user_item100[j][shoot_index]
shoot = shoot.tolist()
if user_item1[j] in shoot: #如果正样本的id在前k个
hit += 1 #HR只要在里面, 就计数: 所以HR的分子是一个正数
ndcg += np.reciprocal( \
np.log2( \
shoot.index( \
user_item1[j])+2)) #取在里面的位置做分母, 作为惩罚: 所以ndcg的分子是一个分数
# print(f"hit: {}")
return hit, ndcg #int, float
def setRandomSeed(self):
np.random.seed(args.seed)
t.manual_seed(args.seed)
t.cuda.manual_seed(args.seed)
random.seed(args.seed)
def getModelName(self): #TODO: 再确认一下自己的参数名都是否正确
title = args.title
ModelName = \
args.point + \
"___" + title + \
"___" + args.dataset +\
"___" + modelTime + \
"___lr_" + str(args.lr) + \
"___reg_" + str(args.reg) + \
"___batch_size_" + str(args.batch) + \
"___time_slot_" + str(args.time_slot) + \
"___gnn_layer_" + str(args.gnn_layer)
return ModelName
#TODO: 需要的东西主要从history中加载
def saveHistory(self): #获得训练到某一个epoch为止的各种loss和指标, 存储到某个文件中
#要画图的东西存到history里面
history = dict()
history['loss'] = self.train_loss #获得训练到某一个epoch为止的loss
history['HR'] = self.his_hr
history['NDCG'] = self.his_ndcg
ModelName = self.modelName
with open(r'./History/' + args.dataset + r'/' + ModelName + '.his', 'wb') as fs: # r代表不转义 TODO: 这个路径还要再确认一下吧, 主要是这个ModelName的问题
pickle.dump(history, fs)
def saveModel(self): #这个模型没什么, 就是保存函数. TODO: 主要思考这里保存什么函数
ModelName = self.modelName
history = dict()
history['loss'] = self.train_loss
history['HR'] = self.his_hr
history['NDCG'] = self.his_ndcg
savePath = r'./Model/' + args.dataset + r'/' + ModelName + r'.pth'
params = {
'epoch': self.curEpoch,
# 'lr': self.lr,
'model': self.model,
# 'reg': self.reg,
'history': history,
}
t.save(params, savePath)
def loadModel(self, loadPath): #第二个参数:
ModelName = self.modelName
# loadPath = r'./Model/' + args.dataset + r'/' + ModelName + r'.pth'
loadPath = loadPath
checkpoint = t.load(loadPath)
self.model = checkpoint['model']
self.curEpoch = checkpoint['epoch'] + 1
# self.lr = checkpoint['lr']
# self.args.reg = checkpoint['reg']
# # 恢复history
history = checkpoint['history']
self.train_loss = history['loss']
self.his_hr = history['HR']
self.his_ndcg = history['NDCG']
# log("load model %s in epoch %d"%(modelPath, checkpoint['epoch']))
if __name__ == '__main__':
# TODO: follow师兄的实验设置, 将模型向和大家一个水平调整
# -3.把embedding写成para和, 把embedding写成embedding是不一样
# -2.初始化只有一次: 所有weight初始的值只有一次
# -1.到底什么是一个模型需要训练的参数: (1)写进去的weights (2)embedding算不算???: embedding到底是自己计算更新, 还是和模型一起会计算
# 0.查看自己的参数有没有更新: 因为, 现在明显感觉, 自己的loss只是通过embedding计算的. 所以,即感觉参数好像没有更新???
# 1.将run的过程, 调整成和师兄一样
# 2.确定, 自己的dataloader到底要如何组织
# 3.理解大图采样
# 4.理解batch采样
# 5.理解测评----最终目的, 知道模型要向着一个好的结果, 中间的计算过程是什么, 会有哪些影响因素
# 6.查看师兄的代码, 看看有哪些巧妙的做法, 能够使得模型结果上升.
print(args)
my_model = Model() #为了偷懒想将整个训练的模型移到GPU上, 看看这样做会不会报错: 不是pytorch框架里的东西是没有cuda()的
my_model.run()
# my_model.test()