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

Общее применение этого метода — обучение, и вычисление полной логистической функции потерь 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 данных weights и bias, будет использована стратегия разбиения "div". Поддержка других стратегий разбиения будет добавлена позже.

Примечание: По умолчанию используется логарифмически-равномерное (Zipf) распределение для выборки, поэтому ваши метки должны быть отсортированы по убыванию частоты для достижения хороших результатов. Более подробную информацию см. в tf.random.log_uniform_candidate_sampler.

Примечание: В случае, когда num_true > 1, каждой целевой категории назначается целевая вероятность 1 / num_true, чтобы суммарная вероятность цели была равна 1 на каждый пример.

Примечание: Было бы полезно позволить переменное количество целевых классов на пример. Мы надеемся предоставить эту функциональность в будущих версиях. Пока что, если у вас переменное количество целевых классов, вы можете дополнить их до постоянного числа, либо повторяя их, либо заполняя их другим, не используемым классом.