SparseApplyFtrl

คลาสสุดท้ายสาธารณะ SparseApplyFtrl

อัปเดตรายการที่เกี่ยวข้องใน '*var' ตามรูปแบบ Ftrl-proximal

นั่นคือสำหรับแถวที่เรามี grad เราอัปเดต var, accum และ linear ดังนี้: grad_with_shrinkage = grad + 2 * l2_shrinkage * var accum_new = accum + grad * grad linear += grad_with_shrinkage - (accum_new^(-lr_power) - accum^ (-lr_power)) / lr * var quadratic = 1.0 / (accum_new^(lr_power) * lr) + 2 * l2 var = (เครื่องหมาย(เชิงเส้น) * l1 - เชิงเส้น) / กำลังสองถ้า |linear| > l1 อื่น 0.0 สะสม = accum_new

คลาสที่ซ้อนกัน

ระดับ

SparseApplyFtrl.ตัวเลือก

แอ็ตทริบิวต์ทางเลือกสำหรับ SparseApplyFtrl

ค่าคงที่

สตริง

OP_NAME

ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow

วิธีการสาธารณะ

เอาท์พุต <T>	เป็นเอาท์พุต () ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์
คงที่ <T ขยาย TType > SparseApplyFtrl <T>	สร้าง ( ขอบเขต ขอบเขต ตัวดำเนินการ <T> var, ตัวดำเนินการ <T> สะสม, ตัวถูก ดำเนิน การ <T> เชิงเส้น, ตัวถูกดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัว ถูกดำเนินการ <? ขยาย TNumber > ดัชนี, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> l1, ตัว ถูกดำเนินการ <T> l2, ตัวดำเนินการ <T> l2การหดตัว, ตัวดำเนินการ <T> lrPower, ตัวเลือก... ตัวเลือก) วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ SparseApplyFtrl ใหม่
SparseApplyFtrl.Options แบบคงที่	คูณLinearByLr (บูลีนคูณLinearByLr)
เอาท์พุต <T>	ออก () เช่นเดียวกับ "var"
SparseApplyFtrl.Options แบบคงที่	useLocking (การใช้ล็อคแบบบูลีน)

วิธีการสืบทอด

จากคลาส org.tensorflow.op.RawOp

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

จากคลาส java.lang.Object

บูลีน	เท่ากับ (วัตถุ arg0)
คลาสสุดท้าย<?>	รับคลาส ()
ภายใน	แฮชโค้ด ()
โมฆะสุดท้าย	แจ้ง ()
โมฆะสุดท้าย	แจ้งทั้งหมด ()
สตริง	toString ()
โมฆะสุดท้าย	รอสักครู่ (ยาว arg0, int arg1)
โมฆะสุดท้าย	รอ (ยาว arg0)
โมฆะสุดท้าย	รอ ()

จากอินเทอร์เฟ ซ org.tensorflow.op.Op

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

จากอินเทอร์ เฟซ org.tensorflow.Operand

เอาท์ พุท นามธรรม <T>	เป็นเอาท์พุต () ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์
นามธรรมต	แอสเทนเซอร์ () ส่งกลับเทนเซอร์ที่ตัวถูกดำเนินการนี้
รูปร่าง นามธรรม	รูปร่าง () ส่งกลับรูปร่าง (อาจทราบได้บางส่วน) ของเทนเซอร์ที่อ้างอิงโดย Output ของตัวถูกดำเนินการนี้
คลาสนามธรรม<T>	พิมพ์ () ส่งกลับประเภทเทนเซอร์ของตัวถูกดำเนินการนี้

จากอินเทอร์ เฟซ org.tensorflow.ndarray.Shaped

บทคัดย่อ	อันดับ ()
รูปร่าง นามธรรม	รูปร่าง ()
ยาวเป็นนามธรรม	ขนาด () คำนวณและส่งกลับขนาดรวมของคอนเทนเนอร์นี้เป็นจำนวนค่า

ค่าคงที่

สตริงสุดท้ายแบบคงที่สาธารณะ OP_NAME

ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow

ค่าคงที่: "SparseApplyFtrlV2"

วิธีการสาธารณะ

เอาท์ พุท สาธารณะ <T> asOutput ()

ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์

อินพุตสำหรับการดำเนินการ TensorFlow คือเอาต์พุตของการดำเนินการ TensorFlow อื่น วิธีการนี้ใช้เพื่อรับหมายเลขอ้างอิงสัญลักษณ์ที่แสดงถึงการคำนวณอินพุต

สาธารณะ SparseApplyFtrl <T> สร้าง แบบคงที่ (ขอบเขต ขอบเขต , ตัวดำเนินการ <T> var, ตัวดำเนินการ <T> สะสม, ตัวดำเนินการ <T> เชิงเส้น, ตัวดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัวดำเนินการ <? ขยาย TNumber > ดัชนี, ตัวดำเนินการ <T> lr, ตัวถูกดำเนินการ <T> l1, ตัวดำเนินการ <T> l2, ตัวดำเนินการ <T> l2การหดตัว, ตัวดำเนินการ <T> lrPower, ตัวเลือก... ตัวเลือก)

วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ SparseApplyFtrl ใหม่

พารามิเตอร์

ขอบเขต	ขอบเขตปัจจุบัน
var	ควรมาจากตัวแปร ()
สะสม	ควรมาจากตัวแปร ()
เชิงเส้น	ควรมาจากตัวแปร ()
ผู้สำเร็จการศึกษา	การไล่ระดับสี
ดัชนี	เวกเตอร์ของดัชนีในมิติแรกของ var และ accum
ล	ปัจจัยการปรับขนาด ต้องเป็นสเกลาร์
l1	การทำให้เป็นมาตรฐาน L1 ต้องเป็นสเกลาร์
l2	การทำให้การหดตัวเป็นปกติของ L2 ต้องเป็นสเกลาร์
lrพาวเวอร์	ปัจจัยการปรับขนาด ต้องเป็นสเกลาร์
ตัวเลือก	มีค่าแอตทริบิวต์ทางเลือก

การส่งคืน

• อินสแตนซ์ใหม่ของ SparseApplyFtrl

สาธารณะ SparseApplyFtrl.Options คงที่ multiplyLinearByLr (บูลีน multiplyLinearByLr)

เอาท์พุท สาธารณะ <T> ออก ()

เช่นเดียวกับ "var"

สาธารณะ SparseApplyFtrl.Options useLocking แบบคงที่ (useLocking แบบบูลีน)

พารามิเตอร์

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