tf.nn.sampled_softmax_loss

Вычисляет и возвращает функцию потерь для обучения с sampled softmax.

tf.nn.sampled_softmax_loss(
    weights,
    biases,
    labels,
    inputs,
    num_sampled,
    num_classes,
    num_true=1,
    sampled_values=None,
    remove_accidental_hits=True,
    seed=None,
    name='sampled_softmax_loss'
)

Это более быстрый способ обучить классификатор softmax для огромного числа классов.

Эта операция предназначена только для обучения. Обычно она занижает значение полной функции потерь softmax.

Распространённый сценарий использования — применять этот метод для обучения, а полную функцию потерь softmax вычислять для оценки или вывода, как показано в следующем примере:

if mode == "train":
  loss = tf.nn.sampled_softmax_loss(
      weights=weights,
      biases=biases,
      labels=labels,
      inputs=inputs,
      ...)
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.softmax_cross_entropy_with_logits(
      labels=labels_one_hot,
      logits=logits)

См. справочник по алгоритмам выборки кандидатов

Математические выкладки также приведены в разделе 3 работы Jean et al., 2014 (PDF).

Примечание: при поиске эмбеддингов в weights и bias будет использоваться стратегия разбиения "div". Поддержка других стратегий разбиения будет добавлена позже.