tf.compat.v2.nn.nce_loss

Вычисляет и возвращает обучающую потерю оценки шума-контраста.

tf.compat.v2.nn.nce_loss(
    weights, biases, labels, inputs, num_sampled, num_classes, num_true=1,
    sampled_values=None, remove_accidental_hits=False, name='nce_loss'
)

См. Noise-contrastive estimation: A new estimation principle for unnormalized statistical models. Также см. нашу Справочник по алгоритмам выборки кандидатов

Распространенным случаем использования данного метода является его применение для обучения и вычисления полной потери сигмоиды для оценки или вывода, как показано в следующем примере:

if mode == "train":
  loss = tf.nn.nce_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.sigmoid_cross_entropy_with_logits(
      labels=labels_one_hot,
      logits=logits)
  loss = tf.reduce_sum(loss, axis=1)

Примечание: при выполнении поиска вложения по weights и bias, будет использована стратегия разбиения «div». Поддержка других стратегий разбиения будет добавлена позднее.

Примечание: По умолчанию используется логарифмически равномерное (зиффово) распределение для выборки, поэтому ваши метки должны быть отсортированы в порядке убывания 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 вероятности целей составляли 1 на каждый пример.

Примечание: Было бы полезно разрешить переменное количество целевых категорий на пример. Мы надеемся предоставить эту функциональность в будущих выпусках. Пока что, если у вас есть переменное количество целевых категорий, вы можете дополнить их до постоянного числа, либо повторив их, либо дополнив другим, не используемым классом.