Genera etiquetas para el muestreo de candidatos con una distribución logarítmica uniforme.
Consulte las explicaciones sobre el muestreo de candidatos y los formatos de datos en go/candidate-sampling.
Para cada lote, esta operación selecciona un único conjunto de etiquetas candidatas de muestra.
Las ventajas de muestrear candidatos por lote son la simplicidad y la posibilidad de una multiplicación eficiente de matrices densas. La desventaja es que los candidatos de la muestra deben elegirse independientemente del contexto y de las etiquetas verdaderas.
Clases anidadas
| clase | LogUniformCandidateSampler.Opciones | Atributos opcionales para LogUniformCandidateSampler | |
Constantes
| Cadena | OP_NOMBRE | El nombre de esta operación, como lo conoce el motor central de TensorFlow. |
Métodos públicos
| LogUniformCandidateSampler estático | crear (alcance alcance , operando < TInt64 > trueClasses, Long numTrue, Long numSampled, booleano único, Long rangeMax, Opciones... opciones) Método de fábrica para crear una clase que envuelve una nueva operación LogUniformCandidateSampler. |
| Salida < TInt64 > | Candidatos muestreados () Un vector de longitud num_sampled, en el que cada elemento es el ID de un candidato muestreado. |
| Salida <TFloat32> | sampledExpectedCount () Un vector de longitud num_sampled, para cada candidato muestreado que representa el número de veces que se espera que el candidato aparezca en un lote de candidatos muestreados. |
| estático LogUniformCandidateSampler.Options | semilla (semilla larga) |
| estático LogUniformCandidateSampler.Options | semilla2 (semilla larga2) |
| Salida <TFloat32> | verdaderoRecuentoEsperado () Una matriz de tamaño de lote * num_true, que representa el número de veces que se espera que aparezca cada candidato en un lote de candidatos muestreados. |
Métodos heredados
Constantes
Cadena final estática pública OP_NAME
El nombre de esta operación, como lo conoce el motor central de TensorFlow.
Métodos públicos
creación pública estática de LogUniformCandidateSampler ( alcance , operando <TInt64> trueClasses, Long numTrue, Long numSampled, booleano único, Long rangeMax, Opciones... opciones)
Método de fábrica para crear una clase que envuelve una nueva operación LogUniformCandidateSampler.
Parámetros
| alcance | alcance actual |
|---|---|
| verdaderas clases | Una matriz de tamaño de lote * num_true, en la que cada fila contiene los ID de num_true target_classes en la etiqueta original correspondiente. |
| número Verdadero | Número de etiquetas verdaderas por contexto. |
| númMuestreado | Número de candidatos a muestrear aleatoriamente. |
| único | Si único es verdadero, tomamos muestras con rechazo, de modo que todos los candidatos muestreados en un lote sean únicos. Esto requiere cierta aproximación para estimar las probabilidades de muestreo posteriores al rechazo. |
| rangoMax | El muestreador tomará muestras de números enteros del intervalo [0, rango_max). |
| opciones | lleva valores de atributos opcionales |
Devoluciones
- una nueva instancia de LogUniformCandidateSampler
Salida pública < TInt64 > candidatos muestreados ()
Un vector de longitud num_sampled, en el que cada elemento es el ID de un candidato muestreado.
Salida pública <TFloat32> sampledExpectedCount ()
Un vector de longitud num_sampled, para cada candidato muestreado que representa el número de veces que se espera que el candidato aparezca en un lote de candidatos muestreados. Si único = verdadero, entonces se trata de una probabilidad.
semilla pública estática LogUniformCandidateSampler.Options (semilla larga)
Parámetros
| semilla | Si seed o seed2 se configuran como distintos de cero, el generador de números aleatorios se siembra con la semilla dada. De lo contrario, se siembra con una semilla aleatoria. |
|---|
público estático LogUniformCandidateSampler.Options semilla2 (semilla larga2)
Parámetros
| semilla2 | Una segunda semilla para evitar la colisión de semillas. |
|---|
Salida pública <TFloat32> trueExpectedCount ()
Una matriz de tamaño de lote * num_true, que representa el número de veces que se espera que aparezca cada candidato en un lote de candidatos muestreados. Si único = verdadero, entonces se trata de una probabilidad.