TensorFlow函数教程：tf.nn.learned_unigram_candidate_sampler

tf.nn.learned_unigram_candidate_sampler函数

tf.nn.learned_unigram_candidate_sampler(
    true_classes,
    num_true,
    num_sampled,
    unique,
    range_max,
    seed=None,
    name=None
)

定义在：tensorflow/python/ops/candidate_sampling_ops.py.

请参阅指南：神经网络>候选采样

从训练期间学习的分布中抽取一组类样本.

该操作从整数范围[0, range_max)中随机采样一个采样类(sampled_candidates)的张量.

sampled_candidates的元素是在没有替换 (如果unique=True) 或替换 (如果unique=False) 的基础分布中绘制的.

该操作的基本分布在训练期间即时构建.这是迄今为止在训练期间看到的目标类别的单一分布.[0,range_max]中的每个整数都以权重1开始,并且每次被视为目标类时都会增加1.基本分布不会保存到检查点,因此在重新加载模型时会重置它.

此外,此操作返回张量true_expected_count并sampled_expected_count,表示每个目标类(true_classes)和采样类(sampled_candidates)预期在平均张量的采样类中出现的次数.如果unique=True,则这些是拒绝后概率,我们大致计算它们.

参数：

• true_classes：一个Tensor,类型为int64,shape为[batch_size, num_true].目标类.
• num_true：int,每个训练示例的目标类数.
• num_sampled：int,随机采样的类数.
• unique：bool,确定批处理中的所有采样类是否都是唯一的.
• range_max：int,可能的类数.
• seed：int,特定于操作的seed.默认值为0.
• name：操作的名称(可选).

返回：

• sampled_candidates：类型为int64和shape为[num_sampled]的Tensor.采样类.
• true_expected_count：类型为float的Tensor.shape与true_classes相同.每个true_classes的采样分布下的预期计数.
• sampled_expected_count：类型为float的Tensor.shape与sampled_candidates相同.每个sampled_candidates的采样分布下的预期计数.