Skip to content

Latest commit

 

History

History
43 lines (27 loc) · 2.13 KB

class_center_sample_cn.rst

File metadata and controls

43 lines (27 loc) · 2.13 KB
Raw

class_center_sample

.. py:function:: paddle.nn.functional.class_center_sample(label, num_classes, num_samples, group=None)

类别中心采样方法是提出于 PartialFC 论文，目的是从全量的类别中心采样一个子集类别中心参与训练。采样过程也非常简单直观：

  1. 首先把所有正类别中心采样；
  2. 然后随机采样负类别中心。

具体的过程是，给定一个维度为 [batch_size] 的 label，从 [0, num_classes) 中把所有正类别中心选择出来，然后随机采样负类别中心补够 num_samples。接着用采样出来的类别中心重新映射 label。

更多的细节信息，请参考论文《Partial FC: Training 10 Million Identities on a Single Machine》，arxiv: https://arxiv.org/abs/2010.05222

Note

如果正类别中心数量大于给定的 num_samples，将保留所有的正类别中心，因此 sampled_class_center 的维度将是 [num_positive_class_centers]。

该 API 支持 CPU ， 单 GPU 和多 GPU 。

数据并行模式，设置 group=False 。 模型并行模式，设置 group=None ，否则返回 paddle.distributed.new_group 的组实例。

参数

  • label (Tensor) - 1-D Tensor，数据类型为 int32 或者 int64，每个元素的取值范围在 [0, num_classes)。
  • num_classes (int) - 一个正整数，表示当前卡的类别数，注意每张卡的 num_classes 可以是不同的值。
  • num_samples (int) - 一个正整数，表示当前卡采样的类别中心数量。
  • group (Group，可选) - 通信组的抽象描述，具体可以参考 paddle.distributed.collective.Group。默认值为 None。

返回

Tensor 二元组 - (remapped_label, sampled_class_center)，remapped_label 是重新映射后的标签，sampled_class_center 是所采样的类别中心。

代码示例

COPY-FROM: paddle.nn.functional.class_center_sample:code-example1 COPY-FROM: paddle.nn.functional.class_center_sample:code-example2