mindspore.ops.UniformCandidateSampler

class mindspore.ops.UniformCandidateSampler(num_true, num_sampled, unique, range_max, seed=0, remove_accidental_hits=False)

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。

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

参数：

• 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，该值必须是非负的。

• seed (int，可选) - 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，可选) - 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 。

输入：

• true_classes (Tensor) - 输入Tensor，目标类，其shape为 \((batch\_size, num\_true)\)。

输出：

• 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 \((num\_sampled, )\)。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> sampler = ops.UniformCandidateSampler(1, 3, False, 4, 1)
>>> output1, output2, output3 = sampler(Tensor(np.array([[1], [3], [4], [6], [3]], dtype=np.int64)))
>>> print(output1.shape)
(3,)
>>> print(output2.shape)
(5, 1)
>>> print(output3.shape)
(3,)