Question

在许多类的分类问题中，tensorflow文档建议在简单sampled_softmax_loss上使用softmax来减少训练运行时间。

根据docs和source（第1180行），sampled_softmax_loss的调用模式为：

tf.nn.sampled_softmax_loss(weights, # Shape (num_classes, dim)     - floatXX
                     biases,        # Shape (num_classes)          - floatXX 
                     labels,        # Shape (batch_size, num_true) - int64
                     inputs,        # Shape (batch_size, dim)      - floatXX  
                     num_sampled,   # - int
                     num_classes,   # - int
                     num_true=1,  
                     sampled_values=None,
                     remove_accidental_hits=True,
                     partition_strategy="mod",
                     name="sampled_softmax_loss")

目前尚不清楚（至少对我而言）如何将现实世界的问题转换为这种损失函数所需的形状。我认为'输入'字段是问题所在。

这是一个复制粘贴就绪的最小工作示例，在调用loss函数时抛出矩阵乘法形状错误。

import tensorflow as tf

# Network Parameters
n_hidden_1 = 256  # 1st layer number of features
n_input = 784     # MNIST data input (img shape: 28*28)
n_classes = 10    # MNIST total classes (0-9 digits)    

# Dependent & Independent Variable Placeholders
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes]) # 

# Weights and Biases
weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'out': tf.Variable(tf.random_normal([n_hidden_1, n_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}

# Super simple model builder
def tiny_perceptron(x, weights, biases):
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    out_layer = tf.matmul(layer_1, weights['out']) + biases['out']
    return out_layer   

# Create the model
pred = tiny_perceptron(x, weights, biases)    

# Set up loss function inputs and inspect their shapes
w = tf.transpose(weights['out'])
b = biases['out']
labels = tf.reshape(tf.argmax(y, 1), [-1,1])
inputs = pred
num_sampled = 3
num_true = 1
num_classes = n_classes

print('Shapes\n------\nw:\t%s\nb:\t%s\nlabels:\t%s\ninputs:\t%s' % (w.shape, b.shape, labels.shape, inputs.shape))
# Shapes
# ------
# w:      (10, 256)  # Requires (num_classes, dim)     - CORRECT
# b:      (10,)      # Requires (num_classes)          - CORRECT
# labels: (?, 1)     # Requires (batch_size, num_true) - CORRECT
# inputs: (?, 10)    # Requires (batch_size, dim)      - Not sure

loss_function = tf.reduce_mean(tf.nn.sampled_softmax_loss(
                     weights=w,
                     biases=b,
                     labels=labels,
                     inputs=inputs,
                     num_sampled=num_sampled,
                     num_true=num_true,
                     num_classes=num_classes))

最后一行触发和ValueError，说明你不能将张量乘以形状（？，10）和（？，256）。作为一般规则，我同意这一说法。完整错误如下所示：

ValueError: Dimensions must be equal, but are 10 and 256 for 'sampled_softmax_loss_2/MatMul_1' (op: 'MatMul') with input shapes: [?,10], [?,256].

如果tensorflow docs的'dim'值打算保持不变，那么进入loss函数的'weight'或'inputs'变量是不正确的。

任何想法都会很棒，我完全不知道如何正确使用这种损失功能＆amp;它会对我们用于（500k级）的模型的训练时间产生巨大影响。谢谢！

--- --- EDIT

通过使用参数并忽略sampled_softmax_loss调用模式的预期输入，可以使上面显示的示例无错误地运行。如果你这样做，它会产生一个可训练的模型，对预测精度有影响（如你所料）。

Answer 1

关键是要传递正确的重量，偏差，输入和标签形状。传递给sampled_softmax的权重形状与一般情况不同。例如，logits = xw + b，像这样调用sampled_softmax： sampled_softmax(weight=tf.transpose(w), bias=b, inputs=x)，不是sampled_softmax(weight=w, bias=b, inputs=logits) !! 此外，标签不是一个热门的代表。如果您的标签是一个热门代表，请通过labels=tf.reshape(tf.argmax(labels_one_hot, 1), [-1,1])

Tensorflow采样Softmax丢失正确使用

1 个答案: