快速配置运行SACN

1. 配置环境

1.1. 安装miniconda

参考文章里面的步骤安装miniconda，在Linux命令行界面运行以下代码（Windows参考这里）

wget -c https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh

为了确保您在正确的地方开始，让我们验证您是否已成功安装Anaconda。在终端窗口中，输入以下内容：

conda --version

Conda将回复您已安装的版本号，如：conda 4.9.0

1.2. 创建虚拟环境

参考博客，下面是创建python=3.6版本的环境，取名叫py36

conda create -n py36 python=3.6

1.3. 安装Pytorch

建议直接从官网安装，实验室Linux已安装 CUDA 10.1。

conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch

验证Pytorch安装是否成功

import torch 
torch.cuda.is_available()

1.4. 复制环境

由于我之前已经安装Pytorch，这里我直接复制我已有的纯净Pytorch环境，创建一个专门跑SACN模型的虚拟环境。

conda create -n huiling --clone pytorch

1.5. 激活环境

conda activate huiling

1.6. 删除环境

conda remove --name huiling --all

2. 运行SACN开源代码

2.1. 查阅文档

这时跑神经网络的基础虚拟环境已经搭建完毕，打开SACN开源代码仓库。

2.2. Git开源项目

从GitHub上面把项目copy下来，使用Git代码

git clone https://github.com/JD-AI-Research-Silicon-Valley/SACN.git

由于国内网络环境因素，Github访问代码仓库速度缓慢，遇到大型仓库git困难，故可用镜像网站加速访问。

git clone https://gitclone.com/github.com/JD-AI-Research-Silicon-Valley/SACN.git

这时会自动下载项目代码至SACN文件夹下

cd SACN/

2.3. 安装SACN所需环境

一般作者会将项目特需的环境自动化部署，我们只需要运行作者的部署代码，例如此模型作者在readme中写清了安装步骤：

Installation This repo supports Linux and Python installation via Anaconda.

Install PyTorch 1.0 using official website or Anaconda.

Install the requirements:

pip install -r requirements.txt

Download the default English model used by spaCy, which is installed in the previous step

python -m spacy download en

2.4. 数据预处理

Data Preprocessing

Run the preprocessing script for FB15k-237, WN18RR, FB15k-237-attr and kinship:

sh preprocess.sh

2.5. 运行模型

To run a model, you first need to preprocess the data. This can be done by specifying the process parameter.

For ConvTransE model, you can run it using:

CUDA_VISIBLE_DEVICES=0 python main.py model ConvTransE init_emb_size 100 dropout_rate 0.4 channels 50 lr 0.001 kernel_size 3 dataset FB15k-237 process True

For SACN model, you can run it using:

CUDA_VISIBLE_DEVICES=0 python main.py model SACN dataset FB15k-237 process True

You can modify the hyper-parameters from “src.spodernet.spodernet.utils.global_config.py” or specify the hyper-parameters in the command. For different datasets, you need to tune the parameters.