nce¶

paddle.static.nn. nce ( input, label, num_total_classes, sample_weight=None, param_attr=None, bias_attr=None, num_neg_samples=None, name=None, sampler='uniform', custom_dist=None, seed=0, is_sparse=False ) [源代码] ¶

计算并返回噪音对比估计损失值（ noise-contrastive estimation training loss）。 请参考 Noise-contrastive estimation: A new estimation principle for unnormalized statistical models 该层默认使用均匀分布进行抽样。

参数:

• input (Tensor) - 输入张量, 2-D 张量，形状为 [batch_size, dim]，数据类型为 float32 或者 float64。

• label (Tensor) - 标签，2-D 张量，形状为 [batch_size, num_true_class]，数据类型为 int64。

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

• sample_weight (Tensor，可选) - 存储每个样本权重，shape 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。

• 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) - 负样例的数量，默认值是10。

• name (str，可选) - 该layer的名称，具体用法请参见 Name ，一般无需设置，默认值为None。

• sampler (str，可选) – 采样器，用于从负类别中进行取样。可以是 uniform, log_uniform 或 custom_dist ， 默认 uniform 。

• custom_dist (nd.array， 可选) – 第0维的长度为 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。默认为 None

• seed (int，可选) – 采样器使用的seed。默认为0

• is_sparse (bool，可选) – 标志位，指明是否使用稀疏更新, 为 True 时 \(weight@GRAD\) 和 \(bias@GRAD\) 的类型会变为 SelectedRows。默认为 False 。

返回： nce loss，数据类型与 input 相同

返回类型: Tensor

代码示例

import paddle
import numpy as np

paddle.enable_static()

window_size = 5
words = []
for i in range(window_size):
    words.append(paddle.static.data(
        name='word_{0}'.format(i), shape=[-1, 1], dtype='int64'))

dict_size = 10000
label_word = int(window_size / 2) + 1

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

    emb = paddle.static.nn.embedding(input=words[i], size=[dict_size, 32],
                        param_attr='embed', is_sparse=True)
    embs.append(emb)

embs = paddle.concat(x=embs, axis=1)
loss = paddle.static.nn.nce(input=embs, label=words[label_word],
            num_total_classes=dict_size, param_attr='nce.w_0',
            bias_attr='nce.b_0')

#or use custom distribution
dist = np.array([0.05,0.5,0.1,0.3,0.05])
loss = paddle.static.nn.nce(input=embs, label=words[label_word],
        num_total_classes=5, param_attr='nce.w_1',
        bias_attr='nce.b_1',
        num_neg_samples=3,
        sampler="custom_dist",
        custom_dist=dist)