1 DeepMove

1.1 构造函数

1.2  初始化权重

1.3  forward

1.4 predict

  def predict(self, batch):
        score = self.forward(batch)
        if self.evaluate_method == 'sample':
            # build pos_neg_inedx
            pos_neg_index = torch.cat((batch['target'].unsqueeze(1), batch['neg_loc']), dim=1)
            score = torch.gather(score, 1, pos_neg_index)
        return score

• 如果评估方法是 'sample'，则执行以下步骤：
  • 构建正负样本索引 (pos_neg_index): 使用 torch.cat 函数将批次中的目标位置 (batch['target']) 与负样本位置 (batch['neg_loc']) 结合。这里，目标位置通过 unsqueeze(1) 方法添加一个维度以匹配负样本位置的维度，使其成为 batch_size x (1 + num_negatives) 的形状。
  • 选择得分: 使用 torch.gather 方法根据 pos_neg_index 从得分张量中选择相关的得分。这一步骤的目的是从模型输出的所有可能位置的得分中，仅提取出与正样本和负样本对应的得分。

1.5 calculate_loss

    def calculate_loss(self, batch):
        criterion = nn.NLLLoss().to(self.device)
        scores = self.forward(batch)
        return criterion(scores, batch['target'])

调用 criterion(scores, batch['target']) 来计算模型输出得分和批次中的目标标签 (batch['target']) 之间的损失。