NCE¶

class paddle.fluid.dygraph. NCE ( num_total_classes, dim, param_attr=None, bias_attr=None, num_neg_samples=None, sampler='uniform', custom_dist=None, seed=0, is_sparse=False, dtype='float32' ) [源代码] ¶

该接口用于构建 NCE 类的一个可调用对象，具体用法参照 代码示例 。其中实现了 NCE 损失函数的功能，其默认使用均匀分布进行抽样，计算并返回噪音对比估计（ noise-contrastive estimation training loss）。更多详情请参考：Noise-contrastive estimation: A new estimation principle for unnormalized statistical models

参数：

• num_total_classes (int) - 所有样本中的类别的总数。

• dim (int) - 输入的维度（一般为词嵌入的维度）。

• sample_weight (Variable, 可选) - 维度为[batch_size, 1]，存储每个样本的权重。每个样本的默认权重为1.0。默认值：None。

• param_attr (ParamAttr, 可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

• bias_attr (ParamAttr, 可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

• num_neg_samples (int, 可选) - 负样本的数量。默认值：10。

• sampler (str, 可选) – 指明采样器的类型，用于从负类别中进行采样。可以是 uniform 、 log_uniform 或 custom_dist 。 默认值： uniform 。

• custom_dist (float[], 可选) – float[] 类型的数据，并且它的长度为 num_total_classes 。如果采样器类别为 custom_dist ，则使用此参数。custom_dist[i]是第i个类别被取样的概率。默认值：None

• seed (int, 可选) – 采样器使用的随机种子。默认值：0。

• is_sparse (bool, 可选) – 指明是否使用稀疏更新，如果为True， \(weight@GRAD\) 和 \(bias@GRAD\) 会变为 SelectedRows。默认值：False。

• dtype (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值："float32"。

返回：无

代码示例

import numpy as np
import paddle.fluid as fluid

window_size = 5
dict_size = 20
label_word = int(window_size // 2) + 1
inp_word = np.array([[1], [2], [3], [4], [5]]).astype('int64')
nid_freq_arr = np.random.dirichlet(np.ones(20) * 1000).astype('float32')

with fluid.dygraph.guard():
    words = []
    for i in range(window_size):
        words.append(fluid.dygraph.base.to_variable(inp_word[i]))

    emb = fluid.Embedding(
        size=[dict_size, 32],
        param_attr='emb.w',
        is_sparse=False)

    embs3 = []
    for i in range(window_size):
        if i == label_word:
            continue

        emb_rlt = emb(words[i])
        embs3.append(emb_rlt)

    embs3 = fluid.layers.concat(input=embs3, axis=1)
    nce = fluid.NCE(
                num_total_classes=dict_size,
                dim=embs3.shape[1],
                num_neg_samples=2,
                sampler="custom_dist",
                custom_dist=nid_freq_arr.tolist(),
                seed=1,
                param_attr='nce.w',
                bias_attr='nce.b')

    wl = fluid.layers.unsqueeze(words[label_word], axes=[0])
    nce_loss3 = nce(embs3, wl)