Muat parameter penyematan FTRL dengan dukungan debug.
Sebuah operasi yang memuat parameter pengoptimalan ke dalam HBM untuk disematkan. Harus didahului dengan operasi ConfigureTPUEmbeddingHost yang menyiapkan konfigurasi tabel penyematan yang benar. Misalnya, operasi ini digunakan untuk menginstal parameter yang dimuat dari pos pemeriksaan sebelum loop pelatihan dijalankan.
Kelas Bersarang
| kelas | LoadTPUEmbeddingFTRLParametersGradAccumDebug.Options | Atribut opsional untuk LoadTPUEmbeddingFTRLParametersGradAccumDebug | |
Konstanta
| Rangkaian | OP_NAME | Nama operasi ini dikenal dengan mesin inti TensorFlow |
Metode Publik
| LoadTPUEmbeddingFTRLParametersGradAccumDebug.Options statis | konfigurasi (Konfigurasi string) |
| LoadTPUEmbeddingFTRLParametersGradAccumDebug statis | buat ( Lingkup cakupan, parameter Operan < TFloat32 >, Akumulator Operan < TFloat32 >, Linear Operan < TFloat32 >, Operan < TFloat32 > akumulator gradien, numShards panjang, shardId panjang, Opsi... opsi) Metode pabrik untuk membuat kelas yang membungkus operasi LoadTPUEmbeddingFTRLParametersGradAccumDebug baru. |
| LoadTPUEmbeddingFTRLParametersGradAccumDebug.Options statis | tableId (Id tabel panjang) |
| LoadTPUEmbeddingFTRLParametersGradAccumDebug.Options statis | nama meja (String nama tabel) |
Metode Warisan
Konstanta
String akhir statis publik OP_NAME
Nama operasi ini dikenal dengan mesin inti TensorFlow
Metode Publik
LoadTPUEmbeddingFTRLParametersGradAccumDebug statis publik membuat ( Lingkup cakupan, parameter Operan < TFloat32 >, Akumulator Operan < TFloat32 >, Linear Operan < TFloat32 >, Operan < TFloat32 > akumulator gradien, numShards panjang, shardId panjang, Opsi... opsi)
Metode pabrik untuk membuat kelas yang membungkus operasi LoadTPUEmbeddingFTRLParametersGradAccumDebug baru.
Parameter
| cakupan | ruang lingkup saat ini |
|---|---|
| parameter | Nilai parameter yang digunakan dalam algoritma optimasi FTRL. |
| akumulator | Nilai akumulator digunakan dalam algoritma optimasi FTRL. |
| linear | Nilai linear yang digunakan pada algoritma optimasi FTRL. |
| akumulator gradien | Nilai gradien_akumulator yang digunakan dalam algoritma optimasi FTRL. |
| pilihan | membawa nilai atribut opsional |
Kembali
- contoh baru LoadTPUEmbeddingFTRLParametersGradAccumDebug