ApplyAddSign

คลาสสุดท้ายสาธารณะ ApplyAddSign

อัปเดต '*var' ตามการอัปเดต AddSign

m_t <- beta1 * m_{t-1} + (1 - beta1) * g อัปเดต <- (alpha + sign_decay * sign (g) * sign (m)) * g ตัวแปร <- ตัวแปร - lr_t * อัปเดต

คลาสที่ซ้อนกัน

ระดับ ApplyAddSign.Options คุณลักษณะเพิ่มเติมสำหรับ ApplyAddSign

ค่าคงที่

สตริง OP_NAME ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow

วิธีการสาธารณะ

เอาท์พุต <T>
เป็นเอาท์พุต ()
ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์
คงที่ <T ขยาย TType > ApplyAddSign <T>
สร้าง ( ขอบเขต ขอบเขต ตัวดำเนินการ <T> var, ตัวดำเนินการ <T> m, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> อัลฟา, ตัวดำเนินการ <T> signDecay, ตัว ดำเนินการ <T> เบต้า, ตัวดำเนินการ <T> ผู้สำเร็จการศึกษา, ตัวเลือก.. . ตัวเลือก)
วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ApplyAddSign ใหม่
เอาท์พุต <T>
ออก ()
เช่นเดียวกับ "var"
ApplyAddSign.Options แบบคงที่
useLocking (การใช้ล็อคแบบบูลีน)

วิธีการสืบทอด

ค่าคงที่

สตริงสุดท้ายแบบคงที่สาธารณะ OP_NAME

ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow

ค่าคงที่: "ApplyAddSign"

วิธีการสาธารณะ

เอาท์ พุท สาธารณะ <T> asOutput ()

ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์

อินพุตสำหรับการดำเนินการ TensorFlow คือเอาต์พุตของการดำเนินการ TensorFlow อื่น วิธีการนี้ใช้เพื่อรับหมายเลขอ้างอิงสัญลักษณ์ที่แสดงถึงการคำนวณอินพุต

สาธารณะคง ApplyAddSign <T> สร้าง ( ขอบเขต ขอบเขต ตัวดำเนินการ <T> var, ตัวดำเนิน การ <T> m, ตัวดำเนินการ <T> lr, ตัวดำเนินการ <T> อัลฟา, ตัวดำเนินการ <T> signDecay, ตัว ดำเนินการ <T> เบต้า, ตัวดำเนินการ <T > ผู้สำเร็จการศึกษา ตัวเลือก... ตัวเลือก)

วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ApplyAddSign ใหม่

พารามิเตอร์
ขอบเขต ขอบเขตปัจจุบัน
var ควรมาจากตัวแปร ()
ควรมาจากตัวแปร ()
ปัจจัยการปรับขนาด ต้องเป็นสเกลาร์
อัลฟ่า ต้องเป็นสเกลาร์
ลงชื่อเข้าใช้การสลายตัว ต้องเป็นสเกลาร์
เบต้า ต้องเป็นสเกลาร์
ผู้สำเร็จการศึกษา การไล่ระดับสี
ตัวเลือก มีค่าแอตทริบิวต์ทางเลือก
การส่งคืน
  • อินสแตนซ์ใหม่ของ ApplyAddSign

เอาท์พุท สาธารณะ <T> ออก ()

เช่นเดียวกับ "var"

ApplyAddSign.Options useLocking แบบคงที่สาธารณะ (useLocking แบบบูลีน)

พารามิเตอร์
ใช้ล็อค หากเป็น "จริง" การอัปเดตเทนเซอร์ var และ m จะได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง