tf.compat.v1.nn.nce_loss

Вычисляет и возвращает функцию потерь обучения на основе шумовой контрастивной оценки.

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'
)

Часто этот метод используют для обучения, а для оценки или инференса вычисляют полную функцию потерь сигмоиды. В этом случае необходимо задать partition_strategy="div", чтобы обе функции потерь были согласованы, как показано 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 распределение (распределение Ципфа), поэтому для получения хороших результатов метки должны быть отсортированы по убыванию частоты. Подробнее см. в разделе tf.random.log_uniform_candidate_sampler.

Примечание: Если num_true > 1, каждому целевому классу назначается целевая вероятность 1 / num_true, чтобы сумма целевых вероятностей для каждого примера равнялась 1.

Примечание: Было бы полезно поддерживать переменное количество целевых классов для каждого примера. Мы надеемся добавить эту возможность в одном из будущих выпусков. Пока что, если количество целевых классов переменно, можно дополнить их до постоянного количества, повторив некоторые классы или добавив класс, который в остальном не используется.