คลาสสุดท้ายสาธารณะ SparseApplyAdagradV2
อัปเดตรายการที่เกี่ยวข้องใน '*var' และ '*accum' ตามรูปแบบ adagrad
นั่นคือสำหรับแถวที่เรามีผู้สำเร็จการศึกษา เราอัปเดต var และ accum ดังนี้: $$accum += grad * grad$$$$var -= lr * grad * (1 / sqrt(accum))$$
คลาสที่ซ้อนกัน
| ระดับ | SparseApplyAdagradV2.ตัวเลือก | แอ็ตทริบิวต์ทางเลือกสำหรับ SparseApplyAdagradV2 | |
วิธีการสาธารณะ
| เอาท์พุต <T> | เป็นเอาท์พุต () ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์ |
| คงที่ <T, U ขยายหมายเลข> SparseApplyAdagradV2 <T> | สร้าง (ขอบเขต ขอบเขต , ตัวดำเนินการ <T> var, ตัวดำเนินการ <T> สะสม, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> เอปไซลอน, ตัวดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัวดำเนินการ <U> ดัชนี, ตัวเลือก... ตัวเลือก) วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ SparseApplyAdagradV2 ใหม่ |
| เอาท์พุต <T> | ออก () เช่นเดียวกับ "var" |
| SparseApplyAdagradV2.Options แบบคงที่ | updateSlots (บูลีน updateSlots) |
| SparseApplyAdagradV2.Options แบบคงที่ | useLocking (การใช้ล็อคแบบบูลีน) |
วิธีการสืบทอด
วิธีการสาธารณะ
เอาท์ พุท สาธารณะ <T> asOutput ()
ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์
อินพุตสำหรับการดำเนินการ TensorFlow คือเอาต์พุตของการดำเนินการ TensorFlow อื่น วิธีการนี้ใช้เพื่อรับหมายเลขอ้างอิงสัญลักษณ์ที่แสดงถึงการคำนวณอินพุต
สาธารณะ SparseApplyAdagradV2 <T> สร้าง แบบคงที่ (ขอบเขต ขอบเขต , ตัวดำเนินการ <T> var, ตัวดำเนินการ <T> สะสม, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> เอปไซลอน, ตัวดำเนิน การ <T> ผู้สำเร็จการศึกษา, ดัชนี ตัวดำเนินการ <U>, ตัวเลือก .. . ตัวเลือก)
วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ SparseApplyAdagradV2 ใหม่
พารามิเตอร์
| ขอบเขต | ขอบเขตปัจจุบัน |
|---|---|
| var | ควรมาจากตัวแปร () |
| สะสม | ควรมาจากตัวแปร () |
| ล | อัตราการเรียนรู้ ต้องเป็นสเกลาร์ |
| เอปไซลอน | ปัจจัยคงที่ ต้องเป็นสเกลาร์ |
| ผู้สำเร็จการศึกษา | การไล่ระดับสี |
| ดัชนี | เวกเตอร์ของดัชนีในมิติแรกของ var และ accum |
| ตัวเลือก | มีค่าแอตทริบิวต์ทางเลือก |
การส่งคืน
- อินสแตนซ์ใหม่ของ SparseApplyAdagradV2
สาธารณะ SparseApplyAdagradV2.Options useLocking แบบคงที่ (useLocking แบบบูลีน)
พารามิเตอร์
| ใช้ล็อค | หากเป็น "จริง" การอัปเดต var และ accum tensor จะได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง |
|---|