เทนเซอร์โฟลว์:: ปฏิบัติการ:: ใช้RMSProp

#include <training_ops.h>

อัปเดต '*var' ตามอัลกอริทึม RMSProp

สรุป

โปรดทราบว่าในการใช้อัลกอริธึมนี้อย่างหนาแน่น ms และ mom จะอัปเดตแม้ว่าผู้สำเร็จการศึกษาจะเป็นศูนย์ แต่ในการใช้งานแบบเบาบางนี้ ms และ mom จะไม่อัปเดตในการวนซ้ำในระหว่างที่ผู้สำเร็จการศึกษาเป็นศูนย์

Mean_square = การสลาย * Mean_Square + (1-การสลายตัว) * การไล่ระดับสี ** 2 Delta = Learning_rate * การไล่ระดับสี / sqrt (mean_square + epsilon)

ms <- rho * ms_{t-1} + (1-rho) * grad * grad mom <- โมเมนตัม * mom_{t-1} + lr * grad / sqrt(ms + epsilon) var <- var - mom

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• var: ควรมาจากตัวแปร ()
• ms: ควรมาจากตัวแปร ()
• แม่: ควรมาจากตัวแปร ()
• lr: ปัจจัยการปรับขนาด ต้องเป็นสเกลาร์
• rho: อัตราการสลายตัว ต้องเป็นสเกลาร์
• เอปไซลอน: ระยะสัน ต้องเป็นสเกลาร์
• ผู้สำเร็จการศึกษา: การไล่ระดับสี

แอ็ตทริบิวต์ทางเลือก (ดู Attrs ):

• use_locking: หากเป็น True การอัปเดต var, ms และ mom tensors ได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง

ผลตอบแทน:

• Output : เหมือนกับ "var"

ตัวสร้างและผู้ทำลาย
ApplyRMSProp (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input ms, :: tensorflow::Input mom, :: tensorflow::Input lr, :: tensorflow::Input rho, :: tensorflow::Input momentum, :: tensorflow::Input epsilon, :: tensorflow::Input grad)
ApplyRMSProp (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input ms, :: tensorflow::Input mom, :: tensorflow::Input lr, :: tensorflow::Input rho, :: tensorflow::Input momentum, :: tensorflow::Input epsilon, :: tensorflow::Input grad, const ApplyRMSProp::Attrs & attrs)

คุณลักษณะสาธารณะ
operation	Operation
out	:: tensorflow::Output

งานสาธารณะ
node () const	::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

ฟังก์ชันคงที่สาธารณะ
UseLocking (bool x)	Attrs

โครงสร้าง
เทนเซอร์โฟลว์ :: ops :: ApplyRMSProp :: Attrs	ตัวตั้งค่าแอ็ตทริบิวต์ทางเลือกสำหรับ ApplyRMSProp

คุณลักษณะสาธารณะ

การดำเนินการ

Operation operation

ออก

::tensorflow::Output out

งานสาธารณะ

ใช้RMSProp

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

ใช้RMSProp

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ApplyRMSProp::Attrs & attrs
)

โหนด

::tensorflow::Node * node() const 

ตัวดำเนินการ::tensorflow::อินพุต

 operator::tensorflow::Input() const 

ตัวดำเนินการ::tensorflow::เอาต์พุต

 operator::tensorflow::Output() const 

ฟังก์ชันคงที่สาธารณะ

ใช้ล็อค

Attrs UseLocking(
  bool x
)

-

เทนเซอร์โฟลว์:: ปฏิบัติการ:: ใช้RMSProp

#include <training_ops.h>

อัปเดต '*var' ตามอัลกอริทึม RMSProp

สรุป

โปรดทราบว่าในการใช้อัลกอริธึมนี้อย่างหนาแน่น ms และ mom จะอัปเดตแม้ว่าผู้สำเร็จการศึกษาจะเป็นศูนย์ แต่ในการใช้งานแบบเบาบางนี้ ms และ mom จะไม่อัปเดตในการวนซ้ำในระหว่างที่ผู้สำเร็จการศึกษาเป็นศูนย์

Mean_square = การสลาย * Mean_Square + (1-การสลายตัว) * การไล่ระดับสี ** 2 Delta = Learning_rate * การไล่ระดับสี / sqrt (mean_square + epsilon)

ms <- rho * ms_{t-1} + (1-rho) * grad * grad mom <- โมเมนตัม * mom_{t-1} + lr * grad / sqrt(ms + epsilon) var <- var - mom

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• var: ควรมาจากตัวแปร ()
• ms: ควรมาจากตัวแปร ()
• แม่: ควรมาจากตัวแปร ()
• lr: ปัจจัยการปรับขนาด ต้องเป็นสเกลาร์
• rho: อัตราการสลายตัว ต้องเป็นสเกลาร์
• เอปไซลอน: ระยะสัน ต้องเป็นสเกลาร์
• ผู้สำเร็จการศึกษา: การไล่ระดับสี

แอ็ตทริบิวต์ทางเลือก (ดู Attrs ):

• use_locking: หากเป็น True การอัปเดต var, ms และ mom tensors ได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง

ผลตอบแทน:

• Output : เหมือนกับ "var"

ตัวสร้างและผู้ทำลาย
ApplyRMSProp (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input ms, :: tensorflow::Input mom, :: tensorflow::Input lr, :: tensorflow::Input rho, :: tensorflow::Input momentum, :: tensorflow::Input epsilon, :: tensorflow::Input grad)
ApplyRMSProp (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input ms, :: tensorflow::Input mom, :: tensorflow::Input lr, :: tensorflow::Input rho, :: tensorflow::Input momentum, :: tensorflow::Input epsilon, :: tensorflow::Input grad, const ApplyRMSProp::Attrs & attrs)

คุณลักษณะสาธารณะ
operation	Operation
out	:: tensorflow::Output

งานสาธารณะ
node () const	::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

ฟังก์ชันคงที่สาธารณะ
UseLocking (bool x)	Attrs

โครงสร้าง
เทนเซอร์โฟลว์ :: ops :: ApplyRMSProp :: Attrs	ตัวตั้งค่าแอ็ตทริบิวต์ทางเลือกสำหรับ ApplyRMSProp

คุณลักษณะสาธารณะ

การดำเนินการ

Operation operation

ออก

::tensorflow::Output out

งานสาธารณะ

ใช้RMSProp

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

ใช้RMSProp

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ApplyRMSProp::Attrs & attrs
)

โหนด

::tensorflow::Node * node() const 

ตัวดำเนินการ::tensorflow::อินพุต

 operator::tensorflow::Input() const 

ตัวดำเนินการ::tensorflow::เอาต์พุต

 operator::tensorflow::Output() const 

ฟังก์ชันคงที่สาธารณะ

ใช้ล็อค

Attrs UseLocking(
  bool x
)