-
Notifications
You must be signed in to change notification settings - Fork 7
/
main_upgan.py
156 lines (142 loc) · 7.26 KB
/
main_upgan.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
import argparse
import sys
from train.trainer import Trainer_new
from util.utils import create_logger
import time
import torch
import numpy as np
import os
import datetime
import copy
parser = argparse.ArgumentParser()
# parse the optimizer arguments
parser.add_argument('--optimizer_type', default='Adam', type=str)
parser.add_argument('--l2_lambda', default=1e-6, type=float)
parser.add_argument('--l2_lambda_d', default=1e-6, type=float)
parser.add_argument('--l2_lambda_g', default=1e-6, type=float)
parser.add_argument('--momentum', default=0.9, type=float, help="The momentum of the optimizer.")
parser.add_argument('--eps', default=1e-6, type=float)
parser.add_argument("--seed", type=int, default=42, help="Seed for random initialization")
parser.add_argument('--lr', default=2e-4, type=float)
parser.add_argument('--lr_d', default=2e-4, type=float)
parser.add_argument('--lr_g', default=2e-4, type=float)
parser.add_argument("--clipping_max_value", default=5.0, type=float)
parser.add_argument("--learning_rate_decay_when_no_progress", default=0.5, type=float)
parser.add_argument("--decay_rate", default=0.0, type=float)
# Hyper-parameters
parser.add_argument('--batch_size', default=512, type=int)
parser.add_argument('--eval_batch_size', default=512, type=int)
parser.add_argument('--n_epochs', default=500, type=int)
parser.add_argument("--embedding_size", type=int, default=100, help="using embedding")
parser.add_argument("--noise_size", type=int, default=100, help="using noise")
# Dataset-parameters
parser.add_argument('--dataset', default='music', type=str)
parser.add_argument('--save_dir', default='models', type=str)
parser.add_argument('--data_folder', default='/home/gaole_he/data/new_exp', type=str)
parser.add_argument('--n_sample', type=int, default=1)
parser.add_argument('--n_sample_gen', type=int, default=1)
parser.add_argument('--gen_topk', type=int, default=1)
parser.add_argument("--importance_sample", action='store_true')
parser.add_argument("--query_weight", action='store_true')
parser.add_argument('--number_pop', type=int, default=1)
parser.add_argument("--sample_pop", action='store_true')
#parameters for evaluation only mode
parser.add_argument("--is_eval", action='store_true')
parser.add_argument("--load_experiment", default=None, type=str)
parser.add_argument("--eval_every", default=3, type=int)
#parameters for training loss
parser.add_argument("--margin", default=1.0, type=float)
parser.add_argument("--bpr_target", default=1.0, type=float)
parser.add_argument("--wgan", action='store_true')
parser.add_argument("--wgan_gp", action='store_true')
parser.add_argument("--leak_user", action='store_true')
parser.add_argument('--gan_type', default='lsgan', type=str)
#parameters for pretrained models
parser.add_argument('--load_ckpt_file', default=None, type=str)
parser.add_argument('--checkpoint_dir', type=str, default='checkpoint/movie')
parser.add_argument('--log_level', type=str, default='info')
parser.add_argument('--experiment_name', type=str, default=None)
parser.add_argument("--need_pretrain", action='store_true')
parser.add_argument("--pretrain_epoch", default=10, type=int)
parser.add_argument("--num_workers", default=4, type=int)
parser.add_argument("--num_processes", default=4, type=int)
parser.add_argument("--max_queue", default=10, type=int)
#Dropout
parser.add_argument("--input_dropout", default=0.2, type=float)
parser.add_argument("--rs_dropout", default=0.2, type=float)
parser.add_argument("--label_smoothing_epsilon", default=0.1, type=float)
parser.add_argument("--boundary_smoothing_epsilon", default=0.5, type=float)
parser.add_argument("--dropout_rate", default=0.25, type=float)
#UGAT parameters
parser.add_argument('--model_name', default='UGAT', type=str)
parser.add_argument("--lambda_rs", default=0.5, type=float)
parser.add_argument("--gat_split", default=10, type=int)
parser.add_argument("--rs_gnn", default='GCN', type=str)
parser.add_argument("--num_head", default=1, type=int)
parser.add_argument("--rs_sample", default=10, type=int)
parser.add_argument("--kg_sample", default=10, type=int)
parser.add_argument("--rs_sample_flag", action='store_true')
parser.add_argument("--kg_sample_flag", action='store_true')
parser.add_argument("--use_activation", action='store_true')
parser.add_argument("--hop_limit", default=-1, type=int)
parser.add_argument("--alpha", default=0.01, type=float)
# GAN parameters
parser.add_argument('--D_name', default='DistMult', type=str)
parser.add_argument('--G_name', default='Generator', type=str)
parser.add_argument('--load_ckpt_D', default=None, type=str)
parser.add_argument('--load_ckpt_G', default=None, type=str)
parser.add_argument("--g_steps", default=1, type=int)
parser.add_argument("--d_steps", default=1, type=int)
parser.add_argument("--g_use_concat", action='store_true')
parser.add_argument("--share_emb", action='store_true')
parser.add_argument("--g_layers", default=2, type=int)
parser.add_argument("--d_layers", default=2, type=int)
parser.add_argument("--lambda_gp", default=10.0, type=float)
parser.add_argument("--l2_coef", default=1.0, type=float)
parser.add_argument("--l1_coef", default=1.0, type=float)
parser.add_argument("--sigma", default=1.0, type=float)
parser.add_argument("--mix_step", default=0.02, type=float)
parser.add_argument("--fix_G", action='store_true')
parser.add_argument("--fix_D", action='store_true')
parser.add_argument("--norm_emb", action='store_true')
parser.add_argument("--norm_user", action='store_true')
parser.add_argument("--norm_one", action='store_true')
parser.add_argument("--noisy_labels", action='store_true')
parser.add_argument("--leak_info", action='store_true')
parser.add_argument("--add_noise", action='store_true')
parser.add_argument("--mask_pos", action='store_true')
parser.add_argument('--reward_type', default='softmax-mean', type=str)
parser.add_argument("--lambda_smooth", default=0.0, type=float)
parser.add_argument("--pop_prior", action='store_true')
parser.add_argument("--show_quality", action='store_true')
parser.add_argument("--show_diversity", action='store_true')
# parser.add_argument("--lambda_g", default=1.0, type=float, help="The ratio of score loss in G.")
# parser.add_argument("--lambda_d", default=1.0, type=float, help="The ratio of entity loss in D.")
# Get the arguments
args = parser.parse_args()
args.use_cuda = torch.cuda.is_available()
np.random.seed(args.seed)
torch.manual_seed(args.seed)
if args.experiment_name == None:
timestamp = str(int(time.time()))
args.experiment_name = "{}-{}-{}".format(
args.dataset,
args.model_name,
timestamp,
)
def main():
if not os.path.exists(args.checkpoint_dir):
os.mkdir(args.checkpoint_dir)
logger = create_logger(args)
trainer = Trainer_new(args=args, logger=logger)
if not args.is_eval:###Only create logger when training mode
trainer.train(0, args.n_epochs - 1)
else:
if args.load_experiment is not None:
ckpt_path = os.path.join(args.checkpoint_dir, args.load_experiment)
print("Loading pre trained model from {}".format(ckpt_path))
trainer.evaluate_single(ckpt_path)
else:
print("Pre trained model is None!")
if __name__ == '__main__':
main()