Tensorflow的采样方法：candidate sampling

采样介绍

假如我们有一个多分类任务或者多标签分类任务，给定训练集 (xi,Ti) ，其中 xi 表示上下文， Ti 表示目标类别(可能有多个).可以用word2vec中的negtive sampling方法来举例，使用cbow方法，也就是使用上下文 xi 来预测中心词(单个target Ti )，或者使用skip-gram方法，也就是使用中心词 xi 来预测上下文(多个target( Ti )).

我们想学习到一个通用函数 F(x,y) 来表征上下文 x 和目标类 y 的关系，如Word2vec里面，使用上下文预测下个单词的概率。

完整的训练方法，如使用softmax或者Logistic回归需要对每个训练数据计算所有类 y∈L 的概率 F(x,y) ，当 |L| 非常大的时候，训练将非常耗时。

“candidate sampling”训练方法包括为每一个训练数据 (xi,Ti) 构造一个训练任务，使得我们只需要使用一个较小的候选集合 Ci∈L ，就能评估 F(x,y) ,典型的，candidate set Ci 包含目标类别 Ti 和一些随机采样的类别 Si∈L ：

Ci=Ti∪Si

, Si 的选择可能依赖 xi 和 Ti ，也可能不依赖。

F(x,y) 可以使用神经网络计算来表征(也就是TensorFlow里面常用的logits)

TensorFlow中各种采样

其中：

• Q(y|x) 表示的是给定context xi 采样到 y 的概率
• K(x) 表示任意不以来候选集的函数
• logistic−training−loss=∑i(∑y∈POSilog(1+exp(−G(xi,y)))+∑y∈NEGilog(1+exp(G(xi,y))))（1）
• softmax−training−loss=∑i(−log(exp(G(xi,ti))∑y∈POSi∪NEGiexp(G(xi,y))))

softmax vs. logistic

在使用tensoflow的时候，我们有时候会纠结选择什么样的损失函数比较好，softmax和logistic在表达形式上是有点区别的，但是也不是很大，而且对于普通的softmax_cross_entropy_with_logits和sigmoid_cross_entropy_with_logits也都能够进行多分类任务，那么他们之间的区别是什么的？

就我个人所想到的，使用sigmoid_cross_entropy_with_logits和softmax_cross_entropy_with_logits的最大的区别是类别的排他性，在分类任务中，使用softmax_cross_entropy_with_logits我们一般是选择单个标签的分类，因为其具有排他性，说白了，softmax_cross_entropy_with_logits需要的是一个类别概率分布，其分布应该服从多项分布(也就是多项logistic regression)，我们训练是让结果尽量靠近这种概率分布，不是说softmax_cross_entropy_with_logits不能进行多分，事实上，softmax_cross_entropy_with_logits是支持多个类别的，其参数labels也没有限制只使用一个类别，当使用softmax_cross_entropy_with_logits进行多分类时候，以二类为例，我们可以设置真实类别的对应labels上的位置是0.5,0.5，训练使得这个文本尽量倾向这种分布，在test阶段，可以选择两个计算概率最大的类作为类别标签，从这种角度说，使用softmax_cross_entropy_with_logits进行多分，实际上类似于计算文本的主题分布。

但是对于sigmoid_cross_entropy_with_logits，公式 (1) 可以看出，sigmoid_cross_entropy_with_logits其实是训练出了多个分类器，对于有 n 个标签 的分类问题，其实质是分成了 n 个二分类问题，这点和softmax_cross_entropy_with_logits有着本质的区别。

tensorflow提供了下面两种candidate sample方法

• tf.nn.nce_loss
• tf.nn.sampled_softmax_loss

对比与之前讨论的，从最上面的图中的training loss采用的方法可以知道， tf.nn.nce_loss使用的是logistic 而tf.nn.sampled_softmax_loss采用的是softmax loss，其实这两者的区别也主要在这儿，采用logistic loss的本质上还是训练 n 个分类器，而使用softmax loss的其实只是训练了一个主题分类器，tf.nn.nce_loss主要思路也是判断给定context Ci 和训练数据 xi ，判断每一个 yi 是不是target label，而 tf.nn.sampled_softmax_loss则是使得在target label上的分布概率最大化。

个人看法，对于多标签多类别的分类任务使用Logistic比较好，对于多标签单类别的分类任务使用softmax比较好，采样中，采用tf.nn.sampled_softmax_loss训练cbow模型比较好，而 tf.nn.nce_loss训练skip-gram比较好。