Keras 模型中的 Softmax 采样

我考虑过的一些方法：

继承自 Model 类在tensorflow keras中采样softmax https://stackoverflow.com/questions/52732145/sampled-softmax-in-tensorflow-keras

继承自Layer类如何在 Keras 模型中使用 TensorFlow 的采样 softmax 损失函数？ https://stackoverflow.com/questions/47892380/how-can-i-use-tensorflows-sampled-softmax-loss-function-in-a-keras-model

在这两种方法中，模型方法更干净，因为层方法有点老套 - 它将目标作为输入的一部分推入，然后再见多输出模型。

我需要一些帮助来子类化模型类 - 具体来说： 1）与第一种方法不同 - 我想采用任意数量的层，就像我们在指定标准 keras 模型时所做的那样。例如，

class LanguageModel(tf.keras.Model):
    def __init__(self, **kwargs)

2）我希望将以下代码合并到模型类中 - 但想让模型类认识到这一点

def call(self, y_true, input):
        """ reshaping of y_true and input to make them fit each other """
        input = tf.reshape(input, (-1,self.hidden_size))
        y_true = tf.reshape(y_true, (-1,1))
      weights = tf.Variable(tf.float64))
      biases = tf.Variable(tf.float64)
      loss = tf.nn.sampled_softmax_loss(
      weights=weights,
      biases=biases,
      labels=labels,
      inputs=inputs,
      ...,
      partition_strategy="div")
      logits = tf.matmul(inputs, tf.transpose(weights))
      logits = tf.nn.bias_add(logits, biases)
       y_predis = tf.nn.softmax_cross_entropy_with_logits_v2(
                                labels=inputs[1],
                                logits=logits) 

3 我想我需要一些指针来指示我应该处理函数式 API 中 Model 类的哪些部分 - 知道我必须编写一个像上面这样的自定义损失函数。 我猜问题是访问 tf.nn.sampledsoftmax 函数中的权重

我能想到的最简单的方法是定义一个忽略输出层结果的损失。

完整的 Colab 在这里：https://colab.research.google.com/drive/1Rp3EUWnBE1eCcaisUju9TwSTswQfZOkS https://colab.research.google.com/drive/1Rp3EUWnBE1eCcaisUju9TwSTswQfZOkS

损失函数。请注意，它假设输出层是 Dense(activation='softmax') 并且忽略y_pred。因此，在使用损失的训练/评估期间，密集层的实际输出是 NOP。

进行预测时使用输出层。

class SampledSoftmaxLoss(object):
  """ The loss function implements the Dense layer matmul and activation
  when in training mode.
  """
  def __init__(self, model):
    self.model = model
    output_layer = model.layers[-1]
    self.input = output_layer.input
    self.weights = output_layer.weights

  def loss(self, y_true, y_pred, **kwargs):
    labels = tf.argmax(y_true, axis=1)
    labels = tf.expand_dims(labels, -1)
    loss = tf.nn.sampled_softmax_loss(
        weights=self.weights[0],
        biases=self.weights[1],
        labels=labels,
        inputs=self.input,
        num_sampled = 3,
        num_classes = 4,
        partition_strategy = "div",
    )
    return loss

Model:

def make_model():
  inp = Input(shape=(10,))
  h1 = Dense(16, activation='relu')(inp)
  h2 = Dense(4, activation='linear')(h1)
  # output layer and last hidden layer must have the same dims
  out = Dense(4, activation='softmax')(h2)
  model = Model(inp, out)
  loss_calculator = SampledSoftmaxLoss(model)
  model.compile('adam', loss_calculator.loss)
  return model

tf.set_random_seed(42)
model = make_model()
model.summary()

请注意，SampledSoftmaxLoss 强制最后一个模型层的输入必须具有与类数相同的维度。