From dca18c2ca2eb17fd1fb068c4a1dc9a64642df183 Mon Sep 17 00:00:00 2001 From: BeiniXie Date: Tue, 12 Apr 2022 20:44:02 +0800 Subject: [PATCH] model_cn --- docs/docfile/tutorial/t_model_chinese.rst | 18 +++++++++--------- 1 file changed, 9 insertions(+), 9 deletions(-) diff --git a/docs/docfile/tutorial/t_model_chinese.rst b/docs/docfile/tutorial/t_model_chinese.rst index 4e438ce..5a76e8f 100644 --- a/docs/docfile/tutorial/t_model_chinese.rst +++ b/docs/docfile/tutorial/t_model_chinese.rst @@ -2,7 +2,7 @@ AutoGL 模型 ============ -在AutoGL中，我们使用``model``和``automodel``类定义图神经网络模型，并让它们和超参数优化(hyper parameter optimization, HPO)模块兼容。 +在AutoGL中，我们使用 ``model``和 ``automodel``类定义图神经网络模型，并让它们和超参数优化(hyper parameter optimization, HPO)模块兼容。 当前版本下，我们支持节点分类、图分类和链接预测三种任务任务，支持的具体模型如下： @@ -18,8 +18,8 @@ AutoGL 模型 自定义模型和自动模型 ------------------ -我们强烈建议您同时定义``model``类和``automodel``类。 -其中，``model``类来管理参数的初始化与模型前向传播逻辑，``automodel``类组织超参数相关的搜索。 +我们强烈建议您同时定义 ``model``类和 ``automodel``类。 +其中， ``model`` 类来管理参数的初始化与模型前向传播逻辑， ``automodel``类组织超参数相关的搜索。 ``automodel``在``solver``和``trainer``模块会被调用。 示例 @@ -56,8 +56,8 @@ AutoGL 模型 return torch.nn.functional.log_softmax(self.core(x)) -接下来，您可以定义自动模型``automodel``类以更好管理您的超参数。 -对于来自于数据集的参数如输入维度与输出维度，可以直接传入``automodel``类中的初始化函数中``__init__()``。 +接下来，您可以定义自动模型 ``automodel`` 类以更好管理您的超参数。 +对于来自于数据集的参数如输入维度与输出维度，可以直接传入 ``automodel`` 类中的初始化函数中 ``__init__()`` 。 而对于需要搜索的其他超参数，需要自定义搜索空间。 .. code-block:: python @@ -100,7 +100,7 @@ AutoGL 模型 -接着，只需要将定义好的自动图模型输入自动图分类任务的``solver``中，就可以利用它完成节点分类任务。 +接着，只需要将定义好的自动图模型输入自动图分类任务的 ``solver`` 中，就可以利用它完成节点分类任务。 具体代码示例如下： .. code-block :: python @@ -116,10 +116,10 @@ AutoGL 模型 用于链接预测任务的模型 ^^^^^^^^^^^^^^^^^^^^ -对于链接预测任务，模型的定义在``forward()``函数中略有不同。 -为了更好地和链接预测训练器``LinkPredictionTrainer``与自动链接预测器``AutoLinkPredictor``交互，您需要定义编码函数``lp_encode(self, data)``与解码函数``lp_decode(self, x, pos_edge_index, neg_edge_index)`` +对于链接预测任务，模型的定义在 ``forward()`` 函数中略有不同。 +为了更好地和链接预测训练器 ``LinkPredictionTrainer`` 与自动链接预测器 ``AutoLinkPredictor`` 交互，您需要定义编码函数 ``lp_encode(self, data)`` 与解码函数 ``lp_decode(self, x, pos_edge_index, neg_edge_index)`` 。 -用同样的多层感知机作为示例，如果您想要将其用于链接预测任务，那么您不必再定义``forward()``函数，而是定义``lp_encode(self, data)``与``lp_decode(self, x, pos_edge_index, neg_edge_index)``两个函数。具体代码示例如下： +用同样的多层感知机作为示例，如果您想要将其用于链接预测任务，那么您不必再定义 ``forward()`` 函数，而是定义 ``lp_encode(self, data)`` 与 ``lp_decode(self, x, pos_edge_index, neg_edge_index)`` 两个函数。具体代码示例如下： .. code-block:: python