models.py 文件源码

def define_loss(self):

        #Inverse since those that have a smaller distance are the most probable.
        self.pred_func =  TT.nnet.sigmoid( TT.sum(self.e1[self.rows,:] * self.r1[self.cols,:] * self.e1[self.tubes,:], 1) \
                       + TT.sum(self.e2[self.rows,:] * self.r1[self.cols,:] * self.e2[self.tubes,:], 1) \
                       + TT.sum(self.e1[self.rows,:] * self.r2[self.cols,:] * self.e2[self.tubes,:], 1) \
                       - TT.sum(self.e2[self.rows,:] * self.r2[self.cols,:] * self.e1[self.tubes,:], 1) )

        self.loss = TT.nnet.softplus( - self.ys * ( TT.sum(self.e1[self.rows,:] * self.r1[self.cols,:] * self.e1[self.tubes,:], 1) \
                       + TT.sum(self.e2[self.rows,:] * self.r1[self.cols,:] * self.e2[self.tubes,:], 1) \
                       + TT.sum(self.e1[self.rows,:] * self.r2[self.cols,:] * self.e2[self.tubes,:], 1) \
                       - TT.sum(self.e2[self.rows,:] * self.r2[self.cols,:] * self.e1[self.tubes,:], 1) )).mean()

        self.regul_func = TT.sqr(self.e1[self.rows,:]).mean() \
                        + TT.sqr(self.e2[self.rows,:]).mean() \
                        + TT.sqr(self.e1[self.tubes,:]).mean() \
                        + TT.sqr(self.e2[self.tubes,:]).mean() \
                        + TT.sqr(self.r1[self.cols,:]).mean() \
                        + TT.sqr(self.r2[self.cols,:]).mean()