ResourceApplyKerasMomentum คลาสสุดท้ายสาธารณะ
อัปเดต '*var' ตามรูปแบบโมเมนตัม
ตั้งค่า use_nesterov = True หากคุณต้องการใช้โมเมนตัม Nesterov
สะสม = สะสม * โมเมนตัม - lr * grad var += สะสม
คลาสที่ซ้อนกัน
ระดับ | ResourceApplyKerasMomentum.Options | แอ็ตทริบิวต์ทางเลือกสำหรับ ResourceApplyKerasMomentum |
ค่าคงที่
สตริง | OP_NAME | ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow |
วิธีการสาธารณะ
คงที่ <T ขยาย TType > ResourceApplyKerasMomentum | สร้าง ( ขอบเขต ขอบเขต ตัวดำเนินการ <?> var, ตัวดำเนินการ <?> accum, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัวดำเนินการ <T> โมเมนตัม, ตัวเลือก... ตัวเลือก) วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ResourceApplyKerasMomentum ใหม่ |
ResourceApplyKerasMomentum แบบคงที่ ตัวเลือก | useLocking (การใช้ล็อคแบบบูลีน) |
ResourceApplyKerasMomentum แบบคงที่ ตัวเลือก | useNesterov (การใช้บูลีน UseNesterov) |
วิธีการสืบทอด
ค่าคงที่
สตริงสุดท้ายแบบคงที่สาธารณะ OP_NAME
ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow
ค่าคงที่: "ResourceApplyKerasMomentum"
วิธีการสาธารณะ
ResourceApplyKerasMomentum สาธารณะแบบคงที่ สร้าง (ขอบเขต ขอบเขต , ตัวดำเนินการ <?> var, ตัวดำเนินการ <?> accum, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัวดำเนินการ <T> โมเมนตัม, ตัวเลือก... ตัวเลือก)
วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ResourceApplyKerasMomentum ใหม่
พารามิเตอร์
ขอบเขต | ขอบเขตปัจจุบัน |
---|---|
var | ควรมาจากตัวแปร () |
สะสม | ควรมาจากตัวแปร () |
ล | ปัจจัยการปรับขนาด ต้องเป็นสเกลาร์ |
ผู้สำเร็จการศึกษา | การไล่ระดับสี |
โมเมนตัม | โมเมนตัม. ต้องเป็นสเกลาร์ |
ตัวเลือก | มีค่าแอตทริบิวต์ทางเลือก |
การส่งคืน
- อินสแตนซ์ใหม่ของ ResourceApplyKerasMomentum
ResourceApplyKerasMomentum.Options แบบคงที่สาธารณะ useLocking (useLocking แบบบูลีน)
พารามิเตอร์
ใช้ล็อค | หากเป็น "จริง" การอัปเดต var และ accum tensor จะได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง |
---|
ResourceApplyKerasMomentum สาธารณะแบบคงที่ ตัวเลือก useNesterov (useNesterov แบบบูลีน)
พารามิเตอร์
ใช้ Nesterov | หากเป็น "จริง" เมตริกซ์ที่ส่งผ่านไปยังการคำนวณ Grad จะเป็น var + โมเมนตัม * สะสม ดังนั้นท้ายที่สุดแล้ว var ที่คุณได้รับก็คือ var + โมเมนตัม * สะสม |
---|