หน้านี้ได้รับการแปลโดย Cloud Translation API

ResourceSparseApplyMomentum

ResourceSparseApplyMomentum คลาสสุดท้ายสาธารณะ

อัปเดตรายการที่เกี่ยวข้องใน '*var' และ '*accum' ตามรูปแบบโมเมนตัม

ตั้งค่า use_nesterov = True หากคุณต้องการใช้โมเมนตัม Nesterov

นั่นคือสำหรับแถวที่เราได้ grad เราอัพเดต var และ accum ดังนี้:

สะสม = สะสม * โมเมนตัม + ผู้สำเร็จการศึกษา var -= lr * สะสม

ระดับ ResourceSparseApplyMomentum.Options แอ็ตทริบิวต์ทางเลือกสำหรับ ResourceSparseApplyMomentum

สตริง OP_NAME ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow

คงที่ <T ขยาย TType > ResourceSparseApplyMomentum	สร้าง ( ขอบเขต ขอบเขต ตัวดำเนินการ <?> var, ตัวดำเนินการ <?> accum, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัวดำเนินการ <? ขยาย TNumber > ดัชนี, ตัวดำเนินการ <T> โมเมนตัม, ตัวเลือก... ตัวเลือก) วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ResourceSparseApplyMomentum ใหม่
ResourceSparseApplyMomentum.Options แบบคงที่	useLocking (การใช้ล็อคแบบบูลีน)
ResourceSparseApplyMomentum.Options แบบคงที่	useNesterov (การใช้บูลีน UseNesterov)

จากคลาส org.tensorflow.op.RawOp

บูลีนสุดท้าย	เท่ากับ (วัตถุ obj)
int สุดท้าย	แฮชโค้ด ()
การดำเนินการ	สหกรณ์ () ส่งกลับหน่วยการคำนวณนี้เป็นการ `Operation` เดียว
สตริงสุดท้าย	toString ()

จากคลาส java.lang.Object

จากอินเทอร์เฟ ซ org.tensorflow.op.Op

บทคัดย่อ ExecutionEnvironment	สิ่งแวดล้อม () ส่งคืนสภาพแวดล้อมการดำเนินการที่ op นี้ถูกสร้างขึ้น
การดำเนินการ ที่เป็นนามธรรม	สหกรณ์ () ส่งกลับหน่วยการคำนวณนี้เป็นการ `Operation` เดียว

ค่าคงที่

ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow

ค่าคงที่: "ResourceSparseApplyMomentum"

วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ResourceSparseApplyMomentum ใหม่

ขอบเขต	ขอบเขตปัจจุบัน
var	ควรมาจากตัวแปร ()
สะสม	ควรมาจากตัวแปร ()
ล	อัตราการเรียนรู้ ต้องเป็นสเกลาร์
ผู้สำเร็จการศึกษา	การไล่ระดับสี
ดัชนี	เวกเตอร์ของดัชนีในมิติแรกของ var และ accum
โมเมนตัม	โมเมนตัม. ต้องเป็นสเกลาร์
ตัวเลือก	มีค่าแอตทริบิวต์ทางเลือก

ใช้ล็อค	หากเป็น "จริง" การอัปเดต var และ accum tensor จะได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง

ใช้ Nesterov	หาก "จริง" เทนเซอร์ที่ส่งผ่านเพื่อคำนวณ Grad จะเป็น var - lr * โมเมนตัม * สะสม ดังนั้นในท้ายที่สุด var ที่คุณได้รับก็คือ var - lr * โมเมนตัม * สะสม