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)[源代码]
使用均匀分布对一组类别进行采样。
此函数使用均匀分布从[0, range_max-1]中采样一组类(sampled_candidates)。如果 unique 为True,则候选采样没有重复;如果 unique 为False,则有重复。
- 参数:
true_classes (Tensor) - 输入Tensor,目标类,其shape为 \((batch\_size, num\_true)\) 。
num_true (int) - 每个训练样本的目标类数。
num_sampled (int) - 随机采样的类数。 sampled_candidates 的shape将为 num_sampled 。如果 unique 为
True
,则 num_sampled 必须小于或等于 range_max 。unique (bool) - 表示一个batch中的所有采样类是否唯一。
range_max (int) - 可能的类数,该值必须大于0。
seed (int) - 随机种子,该值必须是非负的。如果seed的值为0,则seed的值将被随机生成的值替换。默认值:
0
。remove_accidental_hits (bool) - 表示是否移除accidental hit。accidental hit表示其中一个 true_classes 目标类匹配 sampled_candidates 采样类之一,设置为
True
表示移除等于目标类的采样类。默认值:False
。
- 返回:
sampled_candidates (Tensor) - 候选采样与目标类之间不存在联系,其shape为 \((num\_sampled, )\) 。
true_expected_count (Tensor) - 在每组目标类的采样分布下的预期计数。shape为 \((batch\_size, num\_true)\) 。
sampled_expected_count (Tensor) - 每个候选采样分布下的预期计数。shape为 \((num\_sampled, )\) 。
- 异常:
TypeError - num_true 和 num_sampled 都不是int。
TypeError - unique 和 remove_accidental_hits 都不是bool。
TypeError - range_max 和 seed 都不是int。
TypeError - true_classes 不是Tensor。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> from mindspore import Tensor, ops >>> data = Tensor(np.array([[1], [3], [4], [6], [3]], dtype=np.int64)) >>> output1, output2, output3 = ops.uniform_candidate_sampler(data, 1, 3, False, 4, 1) >>> print(output1.shape) (3,) >>> print(output2.shape) (5, 1) >>> print(output3.shape) (3,)