ResourceApplyKerasMomentum

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 ()
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