知识图到文本的生成——玖

槐廿拾

于 2021-12-25 18:26:37 发布

阅读量494

点赞数

文章标签： python 开发语言后端

本文链接：https://blog.csdn.net/qq_50729659/article/details/122145416

版权

2021SC@SDUSC

我们继续看train.py中的train()函数，上篇博客分析到了第二层循环，现在继续。

tgt = b.tgt[:,1:].contiguous().view(-1).to(args.device)
l = F.nll_loss(p.contiguous().view(-1,p.size(2)),tgt,ignore_index=1)

.contiguous()函数在第八篇博客中已经分析过，此处不再赘述。

      if args.cl:
        z = z.max(1)[0]
        cl = nn.functional.mse_loss(z,torch.ones_like(z))
        l = l + args.cl*cl
      if args.plan:
        pl = nn.functional.cross_entropy(planlogits.view(-1,planlogits.size(2)),b.sordertgt[0].view(-1),ignore_index=1)
        l = l+ args.plweight*pl

parser.add_argument("-cl",default=None,type=float,help="Coverage loss")
parser.add_argument("-plan",action='store_true',help="plan and write (NOT IMPLEMENTED)")

判断参数是否覆盖损失，