tf.compat.v1.nn.nce_loss

Вычисляет и возвращает обучающую потерю оценки шума-контраста.

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'
)

Распространенный случай использования этого метода — обучение, а для оценки или вывода вычисление полной потери сигмоиды. В этом случае необходимо установить partition_strategy="div" для согласованности двух потерь, 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 используется логарифмически-равномерное (зиффово) распределение для выборки, поэтому ваши метки должны быть отсортированы в порядке убывания частоты для достижения хороших результатов. Подробнее см. tf.random.log_uniform_candidate_sampler.

Примечание: В случае, если num_true > 1, каждой целевой категории присваивается целевая вероятность 1 / num_true, чтобы суммарные целевые вероятности для каждого примера составляли 1.

Примечание: Было бы полезно разрешить переменное количество целевых категорий на пример. Мы надеемся предоставить эту функциональность в будущих релизах. Пока что, если у вас есть переменное количество целевых категорий, вы можете заполнить их до постоянного числа, либо путем повторения, либо путем заполнения другой, не используемой категорией.

Аргументы
`weights`	A `Tensor` формы `[num_classes, dim]`, или список `Tensor` объектов, чье конкатенация по размерности 0 имеет форму [num_classes, dim]. Векторы встраивания (возможно, разделенные) классов.
`biases`	A `Tensor` формы `[num_classes]`. Смещения классов.
`labels`	A `Tensor` типа `int64` и формы `[batch_size, num_true]`. Целевые классы.
`inputs`	A `Tensor` формы `[batch_size, dim]`. Активности на входе нейронной сети.
`num_sampled`	Целое число. Количество отрицательных классов, которые случайным образом выбираются на каждом батче. Этот один выбор отрицательных классов оценивается для каждого элемента в батче.
`num_classes`	Целое число. Количество возможных классов.
`num_true`	Целое число. Количество целевых классов на обучающий пример.
`sampled_values`	кортеж (`sampled_candidates`, `true_expected_count`, `sampled_expected_count`). Возвращается функцией `*_candidate_sampler`. (если None, используется значение по умолчанию `log_uniform_candidate_sampler`)
`remove_accidental_hits`	Логическое значение. Удалять ли «случайные совпадения», когда выбранный класс совпадает с одним из целевых классов. Если установлено в `True`, это потеря «выбранной логистической» вместо NCE, и мы обучаемся генерировать логарифмические шансы вместо логарифмических вероятностей. См. Справочник по алгоритмам выборки кандидатов (pdf). По умолчанию False.
`partition_strategy`	Строка, определяющая стратегию разделения, актуальна, если `len(weights) > 1`. В настоящее время поддерживаются `"div"` и `"mod"`. Значение по умолчанию `"mod"`. Подробнее см. `tf.nn.embedding_lookup`.
`name`	Имя операции (необязательно).

Возвращаемые значения
A `batch_size` 1-мерный тензор потерь NCE для каждого примера.

Ссылки:

Оценка шума-контраста — новый принцип оценки для ненормализованных статистических моделей: Gutmann et al., 2010 (pdf)

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.4/api_docs/python/tf/compat/v1/nn/nce_loss