HSigmoidLoss

class paddle.nn. HSigmoidLoss ( feature_size, num_classes, weight_attr=None, bias_attr=None, is_custom=False, is_sparse=False, name=None ) [源代码]

层次 sigmoid（hierarchical sigmoid）通过构建一个分类二叉树来降低计算复杂度，主要用于加速语言模型的训练过程。

分类二叉树中每个叶节点表示一个类别(单词)，每个非叶子节点代表一个二类别分类器（sigmoid）。对于每个类别（单词），都有一个从根节点到它的唯一路径，hsigmoid 累加这条路径上每个非叶子节点的损失得到总损失。

相较于传统 softmax 的计算复杂度 \(O(N)\) ，hsigmoid 可以将计算复杂度降至 \(O(logN)\)，其中 \(N\) 表示类别总数（字典大小）。

若使用默认树结构，请参考 Hierarchical Probabilistic Neural Network Language Model 。

若使用自定义树结构，请将参数 is_custom 设置为 True，并完成以下步骤（以语言模型为例）：

  1. 使用自定义词典来建立二叉树，每个叶结点都应该是词典中的单词；

  2. 建立一个 dict 类型数据结构，用于存储 单词 id -> 该单词叶结点至根节点路径 的映射，即路径表 path_table 参数；

  3. 建立一个 dict 类型数据结构，用于存储 单词 id -> 该单词叶结点至根节点路径的编码 的映射，即路径编码 path_code 参数。编码是指每次二分类的标签，1 为真，0 为假；

  4. 每个单词都已经有自己的路径和路径编码，当对于同一批输入进行操作时，可以同时传入一批路径和路径编码进行运算。

参数

  • feature_size (int) - 输入 Tensor 的特征大尺寸。

  • num_classes (int) - 类别总数(字典大小)必须大于等于 2。若使用默认树结构，即当 is_custom=False 时，必须设置该参数。若使用自定义树结构，即当 is_custom=True 时，它取值应为自定义树结构的非叶节点的个数，用于指定二分类的类别总数。

  • weight_attr (ParamAttr，可选) – 指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

  • bias_attr (ParamAttr，可选) – 指定偏置参数属性的对象，若 bias_attr 为 bool 类型，如果设置为 False，表示不会为该层添加偏置；如果设置为 True，表示使用默认的偏置参数属性。默认值为 None，表示使用默认的偏置参数属性。默认的偏置参数属性将偏置参数的初始值设为 0。具体用法请参见 ParamAttr 。

  • is_custom (bool，可选) – 是否使用用户自定义二叉树取代默认二叉树结构。如果设置为 True，请务必设置 path_table ， path_code ， num_classes，否则必须设置 num_classes。默认值为 False。

  • is_sparse (bool，可选) – 是否使用稀疏更新方式。如果设置为 True，W 的梯度和输入梯度将会变得稀疏。默认值为 False。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

形状

  • input (Tensor): - 输入的 Tensor，维度是[N, D]，其中 N 是 batch size， D 是特征尺寸。

  • label (Tensor): - 标签，维度是[N, 1]。

  • output (Tensor): - 输入 input 和标签 label 间的 hsigmoid loss 损失。输出 Loss 的维度为[N, 1]。

代码示例

import paddle
paddle.set_device('cpu')

input = paddle.uniform([4, 3])
# [[0.56194401  -0.22450298  -0.10741806] # random
#  [0.36136317  0.23556745  0.88748658] # random
#  [0.18151939  0.80947340  -0.31078976] # random
#  [0.68886101  -0.14239830  -0.41297770]] # random
label = paddle.to_tensor([0, 1, 4, 5])
m = paddle.nn.HSigmoidLoss(3, 5)
out = m(input, label)
# [[2.42524505]
#  [1.74917245]
#  [3.14571381]
#  [2.34564662]]