sampled_softmax_with_cross_entropy

  • paddle.fluid.layers.sampled_softmax_with_cross_entropy(logits, label, num_samples, num_true=1, remove_accidental_hits=True, use_customized_samples=False, customized_samples=None, customized_probabilities=None, seed=0)[源代码]

Sampled Softmax With Cross Entropy Operator

对于较大的输出类，采样的交叉熵损失Softmax被广泛地用作输出层。该运算符为所有示例采样若干个样本，并计算每行采样张量的SoftMax标准化值，然后计算交叉熵损失。

由于此运算符在内部对逻辑执行SoftMax，因此它需要未分级的逻辑。此运算符不应与SoftMax运算符的输出一起使用，因为这样会产生不正确的结果。

对于T真标签（T>=1）的示例，我们假设每个真标签的概率为1/T。对于每个样本，使用对数均匀分布生成S个样本。真正的标签与这些样本连接起来，形成每个示例的T+S样本。因此，假设逻辑的形状是[N x K]，样本的形状是[N x（T+S）]。对于每个取样标签，计算出一个概率，对应于Jean et al., 2014 )中的Q(y|x)。

根据采样标签对逻辑进行采样。如果remove_accidental_hits为“真”，如果sample[i, j] 意外匹配“真”标签，则相应的sampled_logits[i, j]减去1e20，使其SoftMax结果接近零。然后用logQ(y|x)减去采样的逻辑，这些采样的逻辑和重新索引的标签被用来计算具有交叉熵的SoftMax。

  • 参数：
    • logits （Variable）- 非比例对数概率，是一个二维张量，形状为[N x K]。N是批大小，K是类别号。
    • label （Variable）- 基本事实，是一个二维张量。label是一个张量，其形状为[N x T]，其中T是每个示例的真实标签数。
    • num_samples （int）- 每个示例的数目num_samples应该小于类的数目。
    • num_true （int）- 每个训练实例的目标类别总数。
    • remove_accidental_hits （bool）- 指示采样时是否删除意外命中的标签。如果为真，如果一个sample[i，j]意外地碰到了真标签，那么相应的sampled_logits[i，j]将被减去1e20，使其SoftMax结果接近零。默认值为True。
    • use_customized_samples （bool）- 是否使用自定义样本和可能性对logits进行抽样。
    • customized_samples （Variable）- 用户定义的示例，它是一个具有形状[N, T + S]的二维张量。S是num_samples，T是每个示例的真标签数。
    • customized_probabilities （Variable）- 用户定义的样本概率，与customized_samples形状相同的二维张量。
    • seed （int）- 用于生成随机数的随机种子，在采样过程中使用。默认值为0。

返回：交叉熵损失，是一个二维张量，形状为[N x 1]。

返回类型：Variable

代码示例：

  1. import paddle.fluid as fluid
  2.  
  3. input = fluid.layers.data(name='data', shape=[256], dtype='float32')
  4. label = fluid.layers.data(name='label', shape=[1], dtype='int64')
  5. fc = fluid.layers.fc(input=input, size=100)
  6. out = fluid.layers.sampled_softmax_with_cross_entropy(
  7.           logits=fc, label=label, num_samples=25)