tf.compat.v1.nn.nce_loss

Вычисляет и возвращает обучающую потерю оценки шума-контраста.

tf.compat.v1.nn.nce_loss(
    weights,
    biases,
    labels,
    inputs,
    num_sampled,
    num_classes,
    num_true=1,
    sampled_values=None,
    remove_accidental_hits=False,
    partition_strategy='mod',
    name='nce_loss'
)

Распространённый случай использования этого метода — обучение и вычисление полной потери сигмоиды для оценки или вывода. В этом случае вы должны установить partition_strategy="div", чтобы две потери были согласованы, как в следующем примере:

if mode == "train":
  loss = tf.nn.nce_loss(
      weights=weights,
      biases=biases,
      labels=labels,
      inputs=inputs,
      ...,
      partition_strategy="div")
elif mode == "eval":
  logits = tf.matmul(inputs, tf.transpose(weights))
  logits = tf.nn.bias_add(logits, biases)
  labels_one_hot = tf.one_hot(labels, n_classes)
  loss = tf.nn.sigmoid_cross_entropy_with_logits(
      labels=labels_one_hot,
      logits=logits)
  loss = tf.reduce_sum(loss, axis=1)

Примечание: По умолчанию для выборки используется логарифмически равномерное (зиффовское) распределение, поэтому ваши метки должны быть отсортированы по убыванию частоты для достижения хороших результатов. Более подробную информацию см. в tf.random.log_uniform_candidate_sampler.

Примечание: В случае, когда num_true > 1, мы назначаем каждой целевой категории целевую вероятность 1 / num_true, чтобы суммарные целевые вероятности составляли 1 на пример.

Примечание: Было бы полезно позволить переменное количество целевых классов на пример. Мы надеемся предоставить эту функциональность в будущей версии. Пока что, если у вас есть переменное количество целевых классов, вы можете дополнить их до постоянного количества, либо повторяя их, либо добавляя пустое класс.