Aide à protéger la Grande barrière de corail avec tensorflow sur Kaggle Rejoignez Défi

tensorflow :: opérations :: LearnedUnigramCandidateSampler

#include <candidate_sampling_ops.h>

Génère des étiquettes pour l'échantillonnage candidat avec une distribution unigramme apprise.

Résumé

Voir les explications sur l'échantillonnage des candidats et les formats de données à go / candidate-sampling.

Pour chaque lot, cette opération sélectionne un seul ensemble d'étiquettes candidates échantillonnées.

Les avantages de l'échantillonnage des candidats par lot sont la simplicité et la possibilité d'une multiplication efficace par matrice dense. L'inconvénient est que les candidats échantillonnés doivent être choisis indépendamment du contexte et des véritables étiquettes.

Arguments:

  • scope: un objet Scope
  • true_classes: une matrice batch_size * num_true, dans laquelle chaque ligne contient les ID des num_true target_classes dans l'étiquette d'origine correspondante.
  • num_true: nombre d'étiquettes vraies par contexte.
  • num_sampled: nombre de candidats à échantillonner aléatoirement.
  • unique: si unique est vrai, nous échantillonnons avec rejet, de sorte que tous les candidats échantillonnés dans un lot soient uniques. Cela nécessite une certaine approximation pour estimer les probabilités d'échantillonnage après rejet.
  • range_max: L'échantillonneur échantillonnera les entiers de l'intervalle [0, range_max).

Attributs facultatifs (voir Attrs ):

  • seed: Si seed ou seed2 est défini pour être différent de zéro, le générateur de nombres aléatoires est amorcé par la graine donnée. Sinon, il est semé par une graine aléatoire.
  • seed2: Une deuxième graine pour éviter la collision de graines.

Retour:

  • Output sampled_candidates: Un vecteur de longueur num_sampled, dans lequel chaque élément est l'ID d'un candidat échantillonné.
  • Output true_expected_count: une matrice batch_size * num_true, représentant le nombre de fois que chaque candidat est censé apparaître dans un lot de candidats échantillonnés. Si unique = vrai, alors c'est une probabilité.
  • Output sampled_expected_count: un vecteur de longueur num_sampled, pour chaque candidat échantillonné représentant le nombre de fois où le candidat est censé se produire dans un lot de candidats échantillonnés. Si unique = vrai, alors c'est une probabilité.

Constructeurs et destructeurs

LearnedUnigramCandidateSampler (const :: tensorflow::Scope & scope, :: tensorflow::Input true_classes, int64 num_true, int64 num_sampled, bool unique, int64 range_max)
LearnedUnigramCandidateSampler (const :: tensorflow::Scope & scope, :: tensorflow::Input true_classes, int64 num_true, int64 num_sampled, bool unique, int64 range_max, const LearnedUnigramCandidateSampler::Attrs & attrs)

Attributs publics

operation
sampled_candidates
sampled_expected_count
true_expected_count

Fonctions statiques publiques

Seed (int64 x)
Seed2 (int64 x)

Structs

tensorflow :: ops :: LearnedUnigramCandidateSampler :: Attrs

Définisseurs d' attributs facultatifs pour LearnedUnigramCandidateSampler .

Attributs publics

opération

Operation operation

sampled_candidates

::tensorflow::Output sampled_candidates

sampled_expected_count

::tensorflow::Output sampled_expected_count

true_expected_count

::tensorflow::Output true_expected_count

Fonctions publiques

LearnedUnigramCandidateSampler

 LearnedUnigramCandidateSampler(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input true_classes,
  int64 num_true,
  int64 num_sampled,
  bool unique,
  int64 range_max
)

LearnedUnigramCandidateSampler

 LearnedUnigramCandidateSampler(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input true_classes,
  int64 num_true,
  int64 num_sampled,
  bool unique,
  int64 range_max,
  const LearnedUnigramCandidateSampler::Attrs & attrs
)

Fonctions statiques publiques

Planter

Attrs Seed(
  int64 x
)

Graine2

Attrs Seed2(
  int64 x
)