从model/repro/wikimovie/best_model_doc加载模型
epoch 0
0%||0/1202[00:02<?,?it/s]
追溯(最近一次通话):
文件“D:\GraftNet\main.py”,第156行,位于
列车(CFG)
文件“D:\GraftNet\main.py”,第55行,列车中
损失,pred,_=my_model(批次)
文件“C:\Users\TechEnclave Computer\anaconda3\lib\site packages\torch\nn\modules\module.py”,第1501行,在_call_impl中
return forward_call(*args,**kwargs)
文件“D:\GraftNet\GraftNet.py”,第229行,向前
pagerank_e2d=sparse_bmm(entity_pos_mat._indices(),entity_poss_mat_values(),entity_pos_mat.shape,entity_pos_mat,pagerank_d.unsqueeze(dim=2)/e2d_out_dim)
文件“D:\GraftNet\util.py”,第160行,位于sparse_bmm中
X=火炬稀疏浮动张量(X_I.t(),X_V,火炬。大小([B*N,X_shape[1],Y.shape[1]))
RuntimeError:维度数必须是sparse_dim(59697)+dense_dim
def sparse_bmm(X_I,X_V,X_shape,X,Y):
"""
此函数执行分批稀疏矩阵乘法(X*Y)。
:param X_I:COO格式的稀疏矩阵的索引(num_nonzero,2)
:param X_V:稀疏矩阵的值(num_nonzero,)
:param X_shape:稀疏矩阵的形状(2,)
:param Y:密集矩阵(batch_size*N,K)
:return:稀疏矩阵乘法运算结果(batch_size*N,K)
"""
B、 N,_=X_shape
X=火炬稀疏浮动张量(X_I.t(),X_V,火炬。尺寸([B*N,Y.shape[1]])
X = X.to_dense()
X = X.view(B * N, -1)
result = torch.matmul(X, Y)
return result
