mindspore.ops.LogUniformCandidateSampler

class mindspore.ops.LogUniformCandidateSampler(num_true=1, num_sampled=5, unique=True, range_max=5, seed=0)

使用log-uniform(Zipfian)分布对一组类别进行采样。

该操作从整数范围[0, range_max )中随机采样一个采样类( sampled_candidates )的Tensor。

更多参考详见 mindspore.ops.log_uniform_candidate_sampler()。

警告

Ascend后端不支持随机数重现功能， seed 参数不起作用。

参数：

• num_true (int，可选) - 每个训练样本的目标类数。默认值： 1 。

• num_sampled (int，可选) - 随机采样的类数。默认值： 5 。

• unique (bool，可选) - 确认批处理中的所有采样类是否都是唯一的。如果 unique 为 True ，则批处理中的所有采样类都唯一。默认值： True 。

• range_max (int，可选) - 可能的类数。当 unique 为 True 时， range_max 必须大于或等于 num_sampled 。默认值： 5 。

• seed (int，可选) - 随机种子，必须是非负。默认值： 0 。

输入：

• true_classes (Tensor) - 目标类，其数据类型为int64，shape为 \((batch\_size, num\_true)\) 。

输出：

3个Tensor组成的元组。

• sampled_candidates (Tensor) - shape为 \((num\_sampled,)\) 且数据类型与 true_classes 相同的Tensor。

• true_expected_count (Tensor) - shape与 true_classes 相同且数据类型为float32的Tensor。

• sampled_expected_count (Tensor) - shape与 sampled_candidates 相同且数据类型为float32的Tensor。

支持平台：

Ascend CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> sampler = ops.LogUniformCandidateSampler(2, 5, True, 5)
>>> output1, output2, output3 = sampler(Tensor(np.array([[1, 7], [0, 4], [3, 3]])))
>>> print(output1, output2, output3)
[3 2 0 4 1]
[[0.92312991 0.49336370]
 [0.99248987 0.65806371]
 [0.73553443 0.73553443]]
[0.73553443 0.82625800 0.99248987 0.65806371 0.92312991]