طبق طرح adagrad ورودی های مربوطه را در '*var' و '*accum' به روز کنید.
یعنی برای ردیف هایی که grad داریم، var و accum را به صورت زیر به روز می کنیم: $$accum += grad * grad$$$$var -= lr * grad * (1 / sqrt(accum))$$
کلاس های تو در تو
کلاس | SparseApplyAdagrad.Options | ویژگی های اختیاری برای SparseApplyAdagrad |
ثابت ها
رشته | OP_NAME | نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود |
روش های عمومی
خروجی <T> | asOutput () دسته نمادین تانسور را برمی گرداند. |
static <T TType > SparseApplyAdagrad <T> را گسترش می دهد | |
خروجی <T> | بیرون () همان "var". |
Static SparseApplyAdagrad.Options | UpdateSlots (Bolean updateSlots) |
Static SparseApplyAdagrad.Options | useLocking (قفل کردن استفاده بولی) |
روش های ارثی
ثابت ها
رشته نهایی ثابت عمومی OP_NAME
نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود
روش های عمومی
خروجی عمومی <T> asOutput ()
دسته نمادین تانسور را برمی گرداند.
ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.
عمومی استاتیک SparseApplyAdagrad <T> ایجاد ( دامنه دامنه ، عملوند <T> var، عملوند <T> accum، عملوند <T> lr، عملوند <T> اپسیلون، عملوند <T> grad، عملوند <? گسترش TNumber > شاخصها، گزینهها ... گزینه ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات جدید SparseApplyAdagrad را بسته بندی می کند.
پارامترها
دامنه | محدوده فعلی |
---|---|
var | باید از یک متغیر () باشد. |
تجمع | باید از یک متغیر () باشد. |
lr | میزان یادگیری باید اسکالر باشد. |
اپسیلون | عامل ثابت. باید اسکالر باشد. |
درجه | گرادیان. |
شاخص ها | بردار شاخص ها در بعد اول var و accum. |
گزینه ها | مقادیر ویژگی های اختیاری را حمل می کند |
برمی گرداند
- یک نمونه جدید از SparseApplyAdagrad
عمومی استاتیک SparseApplyAdagrad.Options useLocking (useLocking بولی)
پارامترها
استفاده از قفل کردن | اگر «درست» باشد، بهروزرسانی تانسور var و accum توسط یک قفل محافظت میشود. در غیر این صورت رفتار تعریف نشده است، اما ممکن است اختلاف کمتری از خود نشان دهد. |
---|