ResourceApplyAdamWithAmsgrad

পাবলিক চূড়ান্ত বর্গ ResourceApplyAdamWithAmsgrad

অ্যাডাম অ্যালগরিদম অনুযায়ী '*var' আপডেট করুন।

$$\text{lr}_t := \mathrm{learning_rate} * \sqrt{1 - \beta_2^t} / (1 - \beta_1^t)$$

$$m_t := \beta_1 * m_{t-1} + (1 - \beta_1) * g$$

$$v_t := \beta_2 * v_{t-1} + (1 - \beta_2) * g * g$$

$$\hat{v}_t := max{\hat{v}_{t-1}, v_t}$$

$$\text{variable} := \text{variable} - \text{lr}_t * m_t / (\sqrt{\hat{v}_t} + \epsilon)$$

ক্লাস ResourceApplyAdamWithAmsgrad.Options জন্য ঐচ্ছিক বৈশিষ্ট্য ResourceApplyAdamWithAmsgrad

স্ট্যাটিক <টি> ResourceApplyAdamWithAmsgrad

একটি নতুন ResourceApplyAdamWithAmsgrad অপারেশন মোড়ানো একটি ক্লাস তৈরি করার কারখানা পদ্ধতি।

useLocking (বুলিয়ান useLocking)

ক্লাস থেকে org.tensorflow.op.PrimitiveOp

চূড়ান্ত বুলিয়ান	সমান (অবজেক্ট obj)
চূড়ান্ত int	হ্যাশকোড ()
অপারেশন	অপ () অন্তর্নিহিত ফেরত পাঠায় `Operation`
চূড়ান্ত স্ট্রিং	toString ()

java.lang.Object ক্লাস থেকে

পাবলিক পদ্ধতি

একটি নতুন ResourceApplyAdamWithAmsgrad অপারেশন মোড়ানো একটি ক্লাস তৈরি করার কারখানা পদ্ধতি।

সুযোগ	বর্তমান সুযোগ
var	একটি পরিবর্তনশীল() থেকে হওয়া উচিত।
মি	একটি পরিবর্তনশীল() থেকে হওয়া উচিত।
v	একটি পরিবর্তনশীল() থেকে হওয়া উচিত।
vhat	একটি পরিবর্তনশীল() থেকে হওয়া উচিত।
বিটা 1 পাওয়ার	একটি স্কেলার হতে হবে।
বিটা 2 পাওয়ার	একটি স্কেলার হতে হবে।
lr	স্কেলিং ফ্যাক্টর। একটি স্কেলার হতে হবে।
beta1	মোমেন্টাম ফ্যাক্টর। একটি স্কেলার হতে হবে।
beta2	মোমেন্টাম ফ্যাক্টর। একটি স্কেলার হতে হবে।
epsilon	রিজ শব্দ। একটি স্কেলার হতে হবে।
স্নাতক	গ্রেডিয়েন্ট।
বিকল্প	ঐচ্ছিক বৈশিষ্ট্য মান বহন করে

লকিং ব্যবহার করুন	যদি 'True' হয়, var, m, এবং v টেনসর আপডেট করা একটি লক দ্বারা সুরক্ষিত হবে; অন্যথায় আচরণটি অনির্ধারিত, তবে কম বিরোধ প্রদর্শন করতে পারে।