جریان تنسور:: عملیات:: SparseApplyProximalAdagrad

#include <training_ops.h>

ورودی های به روز رسانی پراکنده در '*var' و '*accum' طبق الگوریتم FOBOS.

خلاصه

یعنی برای ردیف هایی که grad داریم، var و accum را به صورت زیر به روز می کنیم: $$accum += grad * grad$$ $$prox_v = var$$ $$prox_v -= lr * grad * (1 / sqrt(accum))$$ $$var = sign(prox_v)/(1+lr*l2) * max{|prox_v|-lr*l1,0}$$

استدلال ها:

  • scope: یک شی Scope
  • var: باید از یک متغیر () باشد.
  • accum: باید از یک متغیر () باشد.
  • lr: میزان یادگیری. باید اسکالر باشد.
  • l1: تنظیم L1. باید اسکالر باشد.
  • l2: تنظیم L2. باید اسکالر باشد.
  • grad: گرادیان.
  • شاخص ها: بردار شاخص ها در بعد اول var و accum.

ویژگی های اختیاری (به Attrs مراجعه کنید):

  • use_locking: اگر True باشد، به‌روزرسانی تانسورهای 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.

برمی‌گرداند:

سازندگان و ویرانگرها

SparseApplyProximalAdagrad (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input accum, :: tensorflow::Input lr, :: tensorflow::Input l1, :: tensorflow::Input l2, :: tensorflow::Input grad, :: tensorflow::Input indices)
SparseApplyProximalAdagrad (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input accum, :: tensorflow::Input lr, :: tensorflow::Input l1, :: tensorflow::Input l2, :: tensorflow::Input grad, :: tensorflow::Input indices, const SparseApplyProximalAdagrad::Attrs & attrs)

صفات عمومی

operation
out

توابع عمومی

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

توابع استاتیک عمومی

UseLocking (bool x)

سازه ها

tensorflow:: ops:: SparseApplyProximalAdagrad:: Attrs

تنظیم کننده های ویژگی اختیاری برای SparseApplyProximalAdagrad .

صفات عمومی

عملیات 

Operation operation

بیرون 

::tensorflow::Output out

توابع عمومی

SparseApplyProximalAdagrad 

 SparseApplyProximalAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices
)

SparseApplyProximalAdagrad 

 SparseApplyProximalAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  const SparseApplyProximalAdagrad::Attrs & attrs
)

گره 

::tensorflow::Node * node() const

عملگر::tensorflow::ورودی 

 operator::tensorflow::Input() const

عملگر::tensorflow::خروجی 

 operator::tensorflow::Output() const

توابع استاتیک عمومی

استفاده از قفل

Attrs UseLocking(
  bool x
)
،

جریان تنسور:: عملیات:: SparseApplyProximalAdagrad

#include <training_ops.h>

ورودی های به روز رسانی پراکنده در '*var' و '*accum' طبق الگوریتم FOBOS.

خلاصه

یعنی برای ردیف هایی که grad داریم، var و accum را به صورت زیر به روز می کنیم: $$accum += grad * grad$$ $$prox_v = var$$ $$prox_v -= lr * grad * (1 / sqrt(accum))$$ $$var = sign(prox_v)/(1+lr*l2) * max{|prox_v|-lr*l1,0}$$

استدلال ها:

  • scope: یک شی Scope
  • var: باید از یک متغیر () باشد.
  • accum: باید از یک متغیر () باشد.
  • lr: میزان یادگیری. باید اسکالر باشد.
  • l1: تنظیم L1. باید اسکالر باشد.
  • l2: تنظیم L2. باید اسکالر باشد.
  • grad: گرادیان.
  • شاخص ها: بردار شاخص ها در بعد اول var و accum.

ویژگی های اختیاری (به Attrs مراجعه کنید):

  • use_locking: اگر True باشد، به‌روزرسانی تانسورهای 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.

برمی‌گرداند:

سازندگان و ویرانگرها

SparseApplyProximalAdagrad (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input accum, :: tensorflow::Input lr, :: tensorflow::Input l1, :: tensorflow::Input l2, :: tensorflow::Input grad, :: tensorflow::Input indices)
SparseApplyProximalAdagrad (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input accum, :: tensorflow::Input lr, :: tensorflow::Input l1, :: tensorflow::Input l2, :: tensorflow::Input grad, :: tensorflow::Input indices, const SparseApplyProximalAdagrad::Attrs & attrs)

صفات عمومی

operation
out

توابع عمومی

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

توابع استاتیک عمومی

UseLocking (bool x)

سازه ها

tensorflow:: ops:: SparseApplyProximalAdagrad:: Attrs

تنظیم کننده های ویژگی اختیاری برای SparseApplyProximalAdagrad .

صفات عمومی

عملیات 

Operation operation

بیرون 

::tensorflow::Output out

توابع عمومی

SparseApplyProximalAdagrad 

 SparseApplyProximalAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices
)

SparseApplyProximalAdagrad 

 SparseApplyProximalAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  const SparseApplyProximalAdagrad::Attrs & attrs
)

گره 

::tensorflow::Node * node() const

عملگر::tensorflow::ورودی 

 operator::tensorflow::Input() const

عملگر::tensorflow::خروجی 

 operator::tensorflow::Output() const

توابع استاتیک عمومی

استفاده از قفل

Attrs UseLocking(
  bool x
)