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 :::::::::::

  1. - **num_total_classes** (int) - 所有样本中的类别的总数。
  2. - **dim** (int) - 输入的维度（一般为词嵌入的维度）。
  3. - **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。
  4. - **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 :ref:`cn_api_fluid_ParamAttr` 。
  5. - **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 :ref:`cn_api_fluid_ParamAttr` 。
  6. - **num_neg_samples** (int, 可选) - 负样本的数量。默认值：10。
  7. - **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`` 。
  8. - **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
  9. - **seed** (int, 可选) – 采样器使用的随机种子。默认值：0。
  10. - **is_sparse** (bool, 可选) – 指明是否使用稀疏更新，如果为True， :math:`weight@GRAD` 和 :math:`bias@GRAD` 会变为 SelectedRows。默认值：False。
  11. - **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

  1. import numpy as np
  2. import paddle.fluid as fluid
  4. window_size = 5
  5. dict_size = 20
  6. label_word = int(window_size // 2) + 1
  7. inp_word = np.array([[1], [2], [3], [4], [5]]).astype('int64')
  8. nid_freq_arr = np.random.dirichlet(np.ones(20) * 1000).astype('float32')
  10. with fluid.dygraph.guard():
  11.     words = []
  12.     for i in range(window_size):
  13.         words.append(fluid.dygraph.base.to_variable(inp_word[i]))
  15.     emb = fluid.Embedding(
  16.         size=[dict_size, 32],
  17.         param_attr='emb.w',
  18.         is_sparse=False)
  20.     embs3 = []
  21.     for i in range(window_size):
  22.         if i == label_word:
  23.             continue
  25.         emb_rlt = emb(words[i])
  26.         embs3.append(emb_rlt)
  28.     embs3 = fluid.layers.concat(input=embs3, axis=1)
  29.     nce = fluid.NCE(
  30.                 num_total_classes=dict_size,
  31.                 dim=embs3.shape[1],
  32.                 num_neg_samples=2,
  33.                 sampler="custom_dist",
  34.                 custom_dist=nid_freq_arr.tolist(),
  35.                 seed=1,
  36.                 param_attr='nce.w',
  37.                 bias_attr='nce.b')
  39.     wl = fluid.layers.unsqueeze(words[label_word], axes=[0])
  40.     nce_loss3 = nce(embs3, wl)

属性

weight

本层的可学习参数，类型为 Parameter

bias

本层的可学习偏置，类型为 Parameter