TensorFlow实战 ——tf.nn.nce_loss（）函数解析

本文转载于简书，如有冒犯，请联系，望见谅！

转自地址：https://www.jianshu.com/p/fab82fa53e16

先看看tensorflow的nce-loss的API：

1. def nce_loss(weights, biases, inputs, labels, num_sampled, num_classes,

2. num_true=1,

3. sampled_values=None,

4. remove_accidental_hits=False,

5. partition_strategy="mod",

6. name="nce_loss")

假设nce_loss之前的输入数据是K维的，一共有N个类，那么

weight.shape = (N, K)

bias.shape = (N)

inputs.shape = (batch_size, K)

labels.shape = (batch_size, num_true)

num_true : 实际的正样本个数

num_sampled: 采样出多少个负样本

num_classes = N

sampled_values: 采样出的负样本，如果是None，就会用不同的sampler去采样。待会儿说sampler是什么。

remove_accidental_hits: 如果采样时不小心采样到的负样本刚好是正样本，要不要干掉

partition_strategy：对weights进行embedding_lookup时并行查表时的策略。TF的embeding_lookup是在CPU里实现的，这里需要考虑多线程查表时的锁的问题

nce_loss的实现逻辑如下：

_compute_sampled_logits: 通过这个函数计算出正样本和采样出的负样本对应的output和label

sigmoid_cross_entropy_with_logits: 通过 sigmoid cross entropy来计算output和label的loss，从而进行反向传播。这个函数把最后的问题转化为了num_sampled+num_real个两类分类问题，然后每个分类问题用了交叉熵的损伤函数，也就是logistic regression常用的损失函数。TF里还提供了一个softmax_cross_entropy_with_logits的函数，和这个有所区别。

再来看看TF里word2vec的实现，他用到nce_loss的代码如下

1. loss=tf.reduce_mean(tf.nn.nce_loss(weights=nce_weights,

2. biases=nce_biases,

3. labels=train_labels,

4. inputs=embed,

5. num_sampled=num_sampled,

6. num_classes=vocabulary_size))

可以看到，它这里并没有传sampled_values，那么它的负样本是怎么得到的呢？继续看nce_loss的实现，可以看到里面处理sampled_values=None的代码如下

1. if sampled_values is None:

2. sampled_values = candidate_sampling_ops.log_uniform_candidate_sampler(

3. true_classes=labels,

4. num_true=num_true,

5. num_sampled=num_sampled,

6. unique=True,

7. range_max=num_classes)

所以，默认情况下，他会用log_uniform_candidate_sampler去采样。那么log_uniform_candidate_sampler是怎么采样的呢？他的实现在这里：

1、会在[0, range_max)中采样出一个整数k

2、P(k) = (log(k + 2) - log(k + 1)) / log(range_max + 1)

可以看到，k越大，被采样到的概率越小。那么在TF的word2vec里，类别的编号有什么含义吗？看下面的代码：

1. def build_dataset(words):

2. count = [['UNK', -1]]

3. count.extend(collections.Counter(words).most_common(vocabulary_size - 1))

4. dictionary = dict()

5. for word, _ in count:

6. dictionary[word] = len(dictionary)

7. data = list()

8. unk_count = 0

9. for word in words:

10. if word in dictionary:

11. index = dictionary[word]

12. else:

13. index = 0 # dictionary['UNK']

14. unk_count += 1

15. data.append(index)

16. count[0][1] = unk_count

17. reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys()))

18. return data, count, dictionary, reverse_dictionary

可以看到，TF的word2vec实现里，词频越大，词的类别编号也就越小。因此，在TF的word2vec里，负采样的过程其实就是优先采词频高的词作为负样本。

在提出负采样的原始论文中, 包括word2vec的原始C++实现中。是按照热门度的0.75次方采样的，这个和TF的实现有所区别。但大概的意思差不多，就是越热门，越有可能成为负样本。

 

作者：xlvector

链接：https://www.jianshu.com/p/fab82fa53e16

來源：简书

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。