问1：LSTMMTL、LSTMMTL2CompleteGraph区别？问2：调整readme对应参数和batchsize为16后，运行LSTMMTL，仍报out of memory，我是1块2080ti，11G，70m自己数据，需求一份论文所说9G卡可运行参数，谢谢

[spico197]

问1：LSTMMTL、LSTMMTL2CompleteGraph区别？问2：调整readme对应参数和batchsize为16后，运行LSTMMTL，仍报out of memory，我是1块2080ti，11G，70m自己数据，需求一份论文所说9G卡可运行参数，谢谢

[Spico197]

嗨，您好。

• LSTMMTL：LSTM版的Doc2EDAG，参数量比Doc2EDAG较小，但和Doc2EDAG所需资源基本相同，至少四卡；
• LSTMMTL2CompleteGraphModel是实验初期尝试的完全图方案，单卡可跑。

建议使用dee/models/trigger_aware.py中的TriggerAwarePrunedCompleteGraph，也是我们论文中提到的PTPCG模型，训练速度快，且相较上述两个模型的最终效果好。参数可见scripts/run_ptpcg.sh。如果是自己的数据的话，可能需要再调调参，改改train_batch_size，gradient_accumulation_steps和learning_rate。

[BEILOP]

感谢，已经在我数据集上运行完毕。速度果然是Doc2EDAG的n倍的n倍。我现在想使用CPU运行predict_one（），应该如何做？现在仍报cuda_out_of_memory,以下是我的修改：skip_train调为True，load_eval和load_test改为False，nocuda都改为True，load_inference相关改为True（看着像是推理相关参数）,model_type、save_cpt_file改为TriggerAwarePrunedCompleteGraph，然后在run_dee_task里200多行Build_dee_tasking之后加上了dee_task.predict_one(我的文本)运行。

[Spico197]

嗨您好，load_inference是用来打比赛的时候预测线上测试集时使用，如果不需要的话也可以设置为False。如果想使用CPU预测的话，可以将CUDA_VISIBLE_DEVICES环境变量置空：CUDA_VISIBLE_DEVICES=""。
另外需要在task实例化之后，将最佳模型权重导入：dee_task.resume_cpt_at(最佳轮次, resume_model=True)，之后就可以调用dee_task.predict_one(字符串)方法进行推理了。

[BEILOP]

经过测试，单事件文章效果确实实测比Doc2EDAG好，再次感谢您的开源

[Spico197]

感谢您的关注和支持~