TransE on FB15K 链接预测任务显存溢出

[dbbice]

您好，使用TransE在数据集FB15K上进行链接预测任务，在100epoch后进行评估报错内存溢出；于是我将bacth_size改为原来的一半50，依然溢出，显卡为2080Ti，内存为12GB。请问一下怎么解决呀？

#####################################################
epoch 99, avg. triple loss: 0.0121, cost time: 176.2252s
E:\LP_code\muKG-main\src
E:\LP_code\muKG-main\src
0%| | 0/50 [00:00<?, ?it/s]epoch 100, avg. triple loss: 0.0123, cost time: 174.0753s
0%| | 0/50 [00:01<?, ?it/s]
Traceback (most recent call last):
File "E:/LP_code/muKG-main/src/py/main.py", line 41, in
model.run()
File "E:\LP_code\muKG-main\src\py\model\general_models.py", line 217, in run
self.model.run()
File "E:\LP_code\muKG-main\src\torch\kge_models\kge_trainer.py", line 165, in run
flag = self.valid.print_results()
File "E:\LP_code\muKG-main\src\py\evaluation\evaluation.py", line 392, in print_results
self.evaluate()
File "E:\LP_code\muKG-main\src\py\evaluation\evaluation.py", line 306, in evaluate
score = self.fomulate(self.model.get_score(candidates, r_embeds, t_embeds))
File "E:\LP_code\muKG-main\src\torch\kge_models\basic_model.py", line 165, in get_score
return self.calc(h, r, t)
File "E:\LP_code\muKG-main\src\torch\kge_models\TransE.py", line 39, in calc
score = (h + r) - t
RuntimeError: CUDA out of memory. Tried to allocate 5.57 GiB (GPU 0; 12.00 GiB total capacity; 5.59 GiB already allocated; 4.92 GiB free; 5.61 GiB reserved in total by PyTorch)

Process finished with exit code 1

[luoxindi]

你好，问题出现在evaluation.py代码中，在类LinkPredictionEvaluator的trans_load_data函数中可设置测试过程中batch_size大小

[dbbice]

你好，问题出现在evaluation.py代码中，在类LinkPredictionEvaluator的trans_load_data函数中可设置测试过程中batch_size大小

好的，感谢，我修改为除以500试一下。请问您在多源链接预测上的DB15K中共享ID是文件中给定的已对齐的所有实体（4500+10500）进行共享ID吗？

[luoxindi]

你好，问题出现在evaluation.py代码中，在类LinkPredictionEvaluator的trans_load_data函数中可设置测试过程中batch_size大小

好的，感谢，我修改为除以500试一下。请问您在多源链接预测上的DB15K中共享ID是文件中给定的已对齐的所有实体（4500+10500）进行共享ID吗？

是的，在EN-ZN数据集给定的15000个种子对齐实体上进行共享ID

[dbbice]

谢谢一般来说，训练集、验证集和测试集的划分为6:2:2或者8:1:1，而本文的多源链接预测的划分比例是18：1:1，这样的划分比例是为了达到效果吗？或者说如果8:1:1效果有提升吗？不知道作者有没有做这方面的实验感谢答复！

你好，问题出现在evaluation.py代码中，在类LinkPredictionEvaluators的trans_load_data函数中可以设置测试过程中batch_size大小

试试，谢谢，我修改为除以5000下好。请问您在多源链接预测的DB15K中共享ID是文件中给定的已拍摄的所有物品（4500+10500）进行共享ID吗？

是的，在EN-ZN集给定的15000个预告数据上进行共享ID

谢谢您的回复！一般来说，训练集、验证集和测试集的划分为 6:2:2 或 8:1:1，而这个多源链接预测的比例是 18:1:1，这样的划分比例是为了达到提升效果吗？或者说如果常规划分的话效果还有提升吗？不知道有没有做这方面的实验？感谢答复！

[luoxindi]

谢谢一般来说，训练集、验证集和测试集的划分为6:2:2或者8:1:1，而本文的多源链接预测的划分比例是18：1:1，这样的划分比例是为了达到效果吗？或者说如果8:1:1效果有提升吗？不知道作者有没有做这方面的实验感谢答复！

你好，问题出现在evaluation.py代码中，在类LinkPredictionEvaluators的trans_load_data函数中可以设置测试过程中batch_size大小

试试，谢谢，我修改为除以5000下好。请问您在多源链接预测的DB15K中共享ID是文件中给定的已拍摄的所有物品（4500+10500）进行共享ID吗？

是的，在EN-ZN集给定的15000个预告数据上进行共享ID

谢谢您的回复！一般来说，训练集、验证集和测试集的划分为 6:2:2 或 8:1:1，而这个多源链接预测的比例是 18:1:1，这样的划分比例是为了达到提升效果吗？或者说如果常规划分的话效果还有提升吗？不知道有没有做这方面的实验？感谢答复！

同学你好，
感谢你对我们工作的关注。选择这个比例，是参考了传统的link prediction数据集FB15K-237和WN18RR的比例。
FB15K-237训练集样本272115，验证集样本17535，测试集样本20466，272115 : (17535+20466) = 272115 : 38001 = 7.2 : 1. WN18RR训练集样本86835，验证集样本3034，测试集样本3134，86835 : (3034+3134) = 86835 : 6168 = 14.1 : 1.
我们折中选择了训练集和其它数据比例为9:1，然后验证集和测试集五五开。
有没有效果和数据集划分比例没有关系。