hsigmoid

  • paddle.fluid.layers.hsigmoid(input, label, num_classes, param_attr=None, bias_attr=None, name=None, path_table=None, path_code=None, is_custom=False, is_sparse=False)[源代码]

层次sigmoid（hierarchical sigmoid），该OP通过构建一个分类二叉树来降低计算复杂度，主要用于加速语言模型的训练过程。

该OP建立的二叉树中每个叶节点表示一个类别(单词)，每个非叶子节点代表一个二类别分类器（sigmoid）。对于每个类别（单词），都有一个从根节点到它的唯一路径，hsigmoid累加这条路径上每个非叶子节点的损失得到总损失。

相较于传统softmax的计算复杂度

hsigmoid - 图1 ，hsigmoid可以将计算复杂度降至 hsigmoid - 图2 ，其中 hsigmoid - 图3 表示类别总数（字典大小）。

若使用默认树结构，请参考 Hierarchical Probabilistic Neural Network Language Model 。

若使用自定义树结构，请将参数 is_custom 设置为True，并完成以下步骤（以语言模型为例）：

  • 使用自定义词典来建立二叉树，每个叶结点都应该是词典中的单词；
  • 建立一个dict类型数据结构，用于存储 单词id -> 该单词叶结点至根节点路径 的映射，即路径表 path_table 参数；
  • 建立一个dict类型数据结构，用于存储 单词id -> 该单词叶结点至根节点路径的编码 的映射，即路径编码 path_code 参数。 编码是指每次二分类的标签，1为真，0为假；
  • 每个单词都已经有自己的路径和路径编码，当对于同一批输入进行操作时，可以同时传入一批路径和路径编码进行运算。
  • 参数:
    • input (Variable) - 输入Tensor。数据类型为float32或float64，形状为 [N, D] ，其中 N 为minibatch的大小，D 为特征大小。
    • label (Variable) - 训练数据的标签。数据类型为int64，形状为 [N, 1] 。
    • num_classes (int) - 类别总数(字典大小)必须大于等于2。若使用默认树结构，即当 is_custom=False 时 ，必须设置该参数。若使用自定义树结构，即当 is_custom=True 时，它取值应为自定义树结构的非叶节点的个数，用于指定二分类的类别总数。
    • param_attr (ParamAttr，可选) - 该OP可学习参数的属性。可以设置为None或者一个ParamAttr的类（ParamAttr中可以指定参数的各种属性）。 该OP将利用 param_attr 属性来创建ParamAttr实例。如果没有设置 param_attr 的初始化函数，那么参数将采用Xavier初始化。默认值为None。
    • bias_attr (ParamAttr, 可选) - 该OP的偏置参数的属性。可以设置为None或者一个ParamAttr的类（ParamAttr中可以指定参数的各种属性）。 该OP将利用 bias_attr 属性来创建ParamAttr实例。如果没有设置 bias_attr 的初始化函数，参数初始化为0.0。默认值为None。
    • name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。
    • path_table (Variable，可选) – 存储每一批样本从类别（单词）到根节点的路径，按照从叶至根方向存储。 数据类型为int64，形状为 [N, L] ，其中L为路径长度。path_table 和 path_code 应具有相同的形状, 对于每个样本i，path_table[i]为一个类似np.ndarray的结构，该数组内的每个元素都是其双亲结点权重矩阵的索引。默认值为None。
    • path_code (Variable，可选) – 存储每一批样本从类别（单词）到根节点的路径编码，按从叶至根方向存储。数据类型为int64，形状为 [N, L]。默认值为None。
    • is_custom (bool，可选) – 是否使用用户自定义二叉树取代默认二叉树结构。如果设置为True，请务必设置 path_table ， path_code ， num_classes ，否则必须设置num_classes。默认值为False。
    • is_sparse (bool，可选) – 是否使用稀疏更新方式。如果设置为True，W的梯度和输入梯度将会变得稀疏。默认值为False。

返回: 层次sigmoid计算后的Tensor，形状为[N, 1]，数据类型和 input 一致。

返回类型: Variable

代码示例

  1. import paddle.fluid as fluid
  2. x = fluid.layers.fill_constant(shape=[4, 3], value=0.9, dtype='float32')
  3. # x = [[0.9, 0.9, 0.9], [0.9, 0.9, 0.9], [0.9, 0.9, 0.9], [0.9, 0.9, 0.9]]
  4. y = fluid.layers.fill_constant(
  5.     shape=[4, 1], value=1, dtype='int64')
  6. # y = [[1], [1], [1], [1]]
  7. out = fluid.layers.hsigmoid(input=x, label=y, num_classes=2, param_attr=fluid.initializer.Constant(
  8.     value=0.05), bias_attr=fluid.initializer.Constant(value=.0))
  9. # out = [[0.62792355], [0.62792355], [0.62792355], [0.62792355]]