جریان تنسور:: عملیات:: SparseApplyProximalGradientDescent

#include <training_ops.h>

به‌روزرسانی پراکنده '*var' به عنوان الگوریتم FOBOS با نرخ یادگیری ثابت.

خلاصه

یعنی برای ردیف هایی که grad داریم، var را به صورت زیر به روز می کنیم:

proxv=varalphagrad
var=sign(proxv)/(1+alphal2)max|proxv|alphal1,0

استدلال ها:

  • scope: یک شی Scope
  • var: باید از یک متغیر () باشد.
  • آلفا: ضریب مقیاس. 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، تفریق با یک قفل محافظت می شود. در غیر این صورت رفتار تعریف نشده است، اما ممکن است اختلاف کمتری از خود نشان دهد.

برمی گرداند:

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:: SparseApplyProximalGradientDescent:: Attrs

تنظیم کننده های ویژگی اختیاری برای SparseApplyProximalGradientDescent .

صفات عمومی

عملیات

Operation operation

بیرون

::tensorflow::Output out

توابع عمومی

SparseApplyProximalGradientDescent

 SparseApplyProximalGradientDescent(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input alpha,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices
)

SparseApplyProximalGradientDescent

 SparseApplyProximalGradientDescent(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input alpha,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  const SparseApplyProximalGradientDescent::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
)