tf.nn.nce_loss

Вычисляет и возвращает обучающую потерю оценки шумового контраста.

tf.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'
)

См. Оценка шумового контраста: новый принцип оценки для ненормализованных статистических моделей. Также см. нашу Справочник по алгоритмам выборки кандидатов

Распространенным случаем использования этого метода является обучение и вычисление полной потери сигмоиды для оценки или вывода. В этом случае необходимо установить partition_strategy="div" для того, 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 используется логарифмически-равномерное (Zipfian) распределение для выборки, поэтому ваши метки должны быть отсортированы по убыванию частоты для достижения хороших результатов. Дополнительные сведения см. в tf.random.log_uniform_candidate_sampler.

Примечание: В случае, если num_true > 1, каждой целевой категории присваивается целевая вероятность 1 / num_true, чтобы суммарные вероятности целевых значений составляли 1 на пример.

Примечание: Было бы полезно иметь возможность задавать переменное количество целевых классов на пример. Мы надеемся предоставить эту функциональность в будущей версии. Пока что, если у вас переменное количество целевых классов, вы можете дополнить их до постоянного значения, либо дублируя их, либо дополняя классом, который не используется.