Created by: prm10

做检索排序任务，需要衡量两个doc与query的相关性，并计算pairwise loss，模型相关部分如下：

    sim_1 = paddle.layer.cos_sim(a=query_vector, b=title_1_vector, name='cosine_1')
    sim_2 = paddle.layer.cos_sim(a=query_vector, b=title_2_vector, name='cosine_2')
    cost = paddle.layer.rank_cost(
        left=sim_1,
        right=sim_2,
        label=label_data,
    )

模型能够完成训练，并在每轮训练中输出event结果。 保存模型后，在第2阶段载入模型，进行infer，相关代码如下：

        infer = paddle.inference.Inference(output_layer=[cost, sim_1, sim_2], parameters=parameters)
        for item in train_reader():
            item = list(item)
            infer_data = [item[0:4]]
            # infer_data=[[[2, 3], [1, 2, 3], [1, 2, 3], 0]]
            output = infer.infer(
                input=infer_data, feeding=feeding, field=["value"],
                # flatten_result=False,
            )
            cost = output[0][0]
            s1 = output[1][0]
            s2 = output[2][0]
            label = item[3]
            result = ((s1 - s2) > 0) == label
            print '%.4f\t%.4f\t%.4f\t%d\t%d' % (cost, s1, s2, label, result)

输出的部分预测结果如下：

-0.4013	-0.0975	0.5527	0	1
-0.0975	-0.1557	0.6645	1	0
-0.1552	-0.4013	0.5777	1	0
-0.1557	-0.1552	0.6929	0	1
-0.4013	-0.2339	0.6129	0	1
-0.1557	-0.2339	0.7330	0	1
-0.2383	-0.4128	0.6097	1	0

rank_cost函数的定义在document中定义如下（经典的cross entropy pairwise loss）：

C_{i,j} & = -\\tilde{P_{ij}} * o_{i,j} + log(1 + e^{o_{i,j}})

得到的rank_cost输出结果不符合预期：

1. 预测错误时（result=0），loss不应该为负数；
2. 在其他case中，预测正确了（result=1），loss为正数时，也与上述公式的计算结果不同。