比较与tf.random.uniform_candidate_sampler的差异

tf.random.uniform_candidate_sampler

tf.random.uniform_candidate_sampler(
    true_classes,
    num_true,
    num_sampled,
    unique,
    range_max,
    seed=None,
    name=None
)(sampled_candidates, true_expected_count, sampled_expected_count)  -> Tuple

更多内容详见tf.random.uniform_candidate_sampler。

mindspore.ops.uniform_candidate_sampler

mindspore.ops.uniform_candidate_sampler(
    true_classes,
    num_true,
    num_sampled,
    unique,
    range_max,
    seed=0,
    remove_accidental_hits=False
)(sampled_candidates, true_expected_count, sampled_expected_count) -> Tuple

更多内容详见mindspore.ops.uniform_candidate_sampler。

差异对比

TensorFlow：使用均匀分布对一组内别进行采样，返回三个Tensor。

MindSpore：MindSpore此API实现功能与TensorFlow一致，部分参数名不同。

分类	子类	TensorFlow	MindSpore	差异
参数	参数1	true_classes	true_classes	-
	参数2	num_true	num_true	-
	参数3	num_sampled	num_sampled	-
	参数4	unique	unique	-
	参数5	range_max	range_max	-
	参数6	seed	seed	-
	参数7	-	remove_accidental_hits	表示是否移除accidental hit。默认值：False
	参数8	name	-	不涉及
返回参数	参数1	sampled_candidates	sampled_candidates	-
	参数2	true_expected_count	true_expected_count	-
	参数3	sampled_expected_count	sampled_expected_count	-

代码示例1

MindSpore和TensorFlow输出结果一致。

# TensorFlow
import tensorflow as tf
import numpy as np

data = tf.constant(np.random.rand(5, 3), dtype=tf.int64)
out1, out2, out3 = tf.random.uniform_candidate_sampler(data, 3, 3, False, 5, 0)
print(out1.shape)
# (3,)
print(out2.shape)
# (5, 3)
print(out3.shape)
# (3,)

# MindSpore
import mindspore
import numpy as np
from mindspore.ops import function as ops
from mindspore import Tensor

data = Tensor(np.random.rand(5, 3), mindspore.int64)
out1, out2, out3 = ops.uniform_candidate_sampler(data, 3, 3, False, 5, 0)
print(out1.shape)
# (3,)
print(out2.shape)
# (5, 3)
print(out3.shape)
# (3,)