在tf.nn.sampled_softmax_loss中，可选输入之一是放置您自己的样本值。我想提供自己的样本值，以便可以使用float16（半精度）变量。如果sampled_values为空，Tensorflow将使用log_uniform_candidate_sampler来获取值，该值只能返回float32。
这里是所有输入。
tf.nn.sampled_softmax_loss(
weights,
biases,
labels,
inputs,
num_sampled,
num_classes,
num_true=1,
sampled_values=None,
remove_accidental_hits=True,
partition_strategy='mod',
name='sampled_softmax_loss',
seed=None
)
https://www.tensorflow.org/api_docs/python/tf/nn/sampled_softmax_loss
这是他们为sampled_values arg提供的信息：
sampled_values：（sampled_candidates，true_expected_count， * _candidate_sampler函数返回的sampled_expected_count）。 （如果为None，则默认为log_uniform_candidate_sampler）
我试图弄清楚如何提供该元组。 sampled_candidates，true_expected_count，sampled_expected_count到底是什么？
我知道它正在对权重和相应的偏差进行采样，因此我是否将它们放到sampled_candidates的自己的元组中？另外，我是将整数用于权重的位置放置在矩阵中，还是将整个嵌入本身放置？
我还查看了Tensorflow关于负采样的数学补充，但找不到关于我的问题https://www.tensorflow.org/extras/candidate_sampling.pdf的信息
在搜索中，我在Google论坛上发现了一个非常相似的问题
https://groups.google.com/a/tensorflow.org/forum/#!topic/discuss/6IDJ-XAIb9M
给出的答案是
sampled_values是我们的* candidate_sampler返回的元组 类。这些类实现对对比样本进行采样的方法 根据一些标签（未观察到，但在训练中使用） 分布Q用于近似训练方法，例如 噪声对比估计（NCE）和采样的Softmax。一个例子是 log_uniform_candidate_sampler，它根据 对数均匀分布。您几乎不需要自己提供这些。你会简单地通过 在tf.nn中调用* candidate_sampler函数的结果 模块（其中*可以是“ uniform”，“ log_uniform”，“ zipfian_binned”， 等等），例如
sampled_values = tf.nn.zipfian_binned_candidate_sampler（...）
如果您只想使其正常工作，请将其保留为None，然后 将默认为log_uniform_candidate_sampler（通常是一个好 选择）。
如果您对此背后的数学感兴趣，请参阅此文档： https://www.tensorflow.org/versions/r0.8/extras/candidate_sampling.pdf。
但要回答您的问题：对于每批观察到的标签L，以及 一个候选采样分布Q，该元组包含：
- 具有实际采样的对比标签N的张量
- 具有在Q下观察到的标签L的对数期望值的张量，即log Q（L）和
- 在Q下具有对比标签的对数期望值的对数张量，即log Q（N）。
要进行数学运算，必须使用后者（请参见上文） 文献）。因此sampled_values包含（希望清楚地滥用 表示法）：
sampled_values =（N，log Q（L），log Q（N））
但是，我仍然不知道如何输入值。我不确定数据类型应该是什么，以及不确定N是嵌入矩阵中的int位置还是嵌入本身。另外，我猜测N应该是值本身的列表，即我们必须采样的否定标签数量的大小。
我想知道是否可以举一些带有一些价值的例子。例如，对于3的负采样，我会做这样的事情吗？
sampled_values =（[4,29，12]，[1，1，1]，[0，0，0]）
此外，文档还说该元组应该“由* _candidate_sampler函数返回”
这是否意味着我需要提供一个返回元组而不是元组本身的函数？