tf.nn.nce_loss

Вычисляет и возвращает обучающую потерю оценки шума-контраста.

tf.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. Оценка шума-контраста: новый принцип оценки для ненормализованных статистических моделей. Также см. нашу Справочник по алгоритмам выборки кандидатов

Распространённый случай использования этого метода — обучение, а вычисление полной сигмоидальной потери для оценки или вывода, как 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 weights и bias, будет использоваться стратегия разбиения «div». Поддержка других стратегий разбиения будет добавлена позже.

Примечание: По умолчанию для выборки используется логарифмически равномерное (зиффовское) распределение, поэтому ваши метки должны быть отсортированы по убыванию частоты, чтобы получить хорошие результаты. Дополнительные сведения 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 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 заполнить их до постоянного числа, либо повторяя их, либо заполняя их другой недоступной категорией.