LogUniformCandidateSampler

کلاس نهایی عمومی LogUniformCandidateSampler

برچسب‌هایی را برای نمونه‌گیری کاندید با توزیع یکنواخت log تولید می‌کند.

توضیحات نمونه گیری نامزد و قالب های داده را در go/candidate-sampling ببینید.

برای هر دسته، این عملیات یک مجموعه واحد از برچسب های کاندید نمونه برداری شده را انتخاب می کند.

از مزایای کاندیدهای نمونه برداری در هر دسته، سادگی و امکان ضرب ماتریس متراکم کارآمد است. نقطه ضعف این است که نامزدهای نمونه باید مستقل از زمینه و برچسب های واقعی انتخاب شوند.

کلاس های تو در تو

کلاس LogUniformCandidateSampler.Options ویژگی های اختیاری برای LogUniformCandidateSampler

ثابت ها

رشته OP_NAME نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

روش های عمومی

استاتیک LogUniformCandidateSampler
ایجاد ( scope scope، Operand < TINT64 > trueClasses، Long numTrue، Long numSampled، Boolean منحصر به فرد، Long rangeMax، Options... گزینه ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات LogUniformCandidateSampler جدید را بسته بندی می کند.
خروجی < TINT64 >
نمونه کاندیدها ()
بردار طول num_sampled، که در آن هر عنصر شناسه یک کاندید نمونه است.
خروجی < TFloat32 >
sampledExpectedCount ()
بردار طول num_sampled، برای هر کاندید نمونه گیری شده نشان دهنده تعداد دفعاتی است که انتظار می رود کاندید در دسته ای از کاندیداهای نمونه گیری رخ دهد.
استاتیک LogUniformCandidateSampler.Options
دانه (دانه بلند)
استاتیک LogUniformCandidateSampler.Options
دانه 2 (دانه بلند 2)
خروجی < TFloat32 >
trueExpectedCount ()
یک ماتریس batch_size * num_true، نشان دهنده تعداد دفعاتی است که انتظار می‌رود هر نامزد در دسته‌ای از نامزدهای نمونه‌گیری رخ دهد.

روش های ارثی

ثابت ها

رشته نهایی ثابت عمومی OP_NAME

نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

مقدار ثابت: "LogUniformCandidateSampler"

روش های عمومی

ایجاد LogUniformCandidateSampler استاتیک عمومی ( دامنه دامنه ، عملوند < TINT64 > trueClasses، Long numTrue، طولانی numSampled، منحصر به فرد بولی، Long rangeMax، گزینه‌ها... گزینه‌ها)

روش کارخانه برای ایجاد کلاسی که یک عملیات LogUniformCandidateSampler جدید را بسته بندی می کند.

مولفه های
محدوده محدوده فعلی
trueClasses یک ماتریس batch_size * num_true، که در آن هر ردیف شامل شناسه های num_true target_classes در برچسب اصلی مربوطه است.
numTrue تعداد برچسب‌های واقعی در هر زمینه.
numSampled تعداد داوطلبان نمونه گیری تصادفی
منحصر بفرد اگر یکتا درست باشد، نمونه برداری را با رد انجام می دهیم، به طوری که همه نامزدهای نمونه در یک دسته منحصر به فرد هستند. این نیاز به تقریبی برای تخمین احتمالات نمونه برداری پس از رد دارد.
محدوده حداکثر نمونه‌بردار اعداد صحیح را از بازه [0، range_max نمونه‌برداری می‌کند.
گزینه ها مقادیر ویژگی های اختیاری را حمل می کند
برمی گرداند
  • یک نمونه جدید از LogUniformCandidateSampler

خروجی عمومی < TINT64 > sampledCandidates ()

بردار طول num_sampled، که در آن هر عنصر شناسه یک کاندید نمونه است.

خروجی عمومی < TFloat32 > sampledExpectedCount ()

بردار طول num_sampled، برای هر کاندید نمونه گیری شده نشان دهنده تعداد دفعاتی است که انتظار می رود کاندید در دسته ای از کاندیداهای نمونه گیری رخ دهد. اگر منحصر به فرد = درست است، پس این یک احتمال است.

عمومی استاتیک LogUniformCandidateSampler.Options seed (Long seed)

مولفه های
دانه اگر seed یا seed2 غیر صفر باشد، مولد اعداد تصادفی توسط دانه داده شده بذر می شود. در غیر این صورت، توسط یک بذر تصادفی بذر می شود.

عمومی استاتیک LogUniformCandidateSampler.Options seed2 (Long seed2)

مولفه های
دانه 2 دانه دوم برای جلوگیری از برخورد دانه.

خروجی عمومی < TFloat32 > trueExpectedCount ()

یک ماتریس batch_size * num_true، نشان دهنده تعداد دفعاتی است که انتظار می‌رود هر نامزد در دسته‌ای از نامزدهای نمونه‌گیری رخ دهد. اگر منحصر به فرد = درست است، پس این یک احتمال است.