Ftrl-প্রক্সিমাল স্কিম অনুযায়ী '*var'-এ প্রাসঙ্গিক এন্ট্রি আপডেট করুন।
যে সারিগুলির জন্য আমাদের গ্র্যাড আছে, আমরা var, accum এবং লিনিয়ারকে নিম্নরূপ আপডেট করি: grad_with_shrinkage = grad + 2 * l2_shrinkage * var accum_new = accum + grad * grad linear += grad_with_srinkage - (accum_new^(-lr_power) (-lr_power)) / lr * var quadratic = 1.0 / (accum_new^(lr_power) * lr) + 2 * l2 var = (চিহ্ন(লিনিয়ার) * l1 - রৈখিক) / দ্বিঘাত যদি |লিনিয়ার| > l1 else 0.0 accum = accum_new
নেস্টেড ক্লাস
| ক্লাস | SparseApplyFtrl.Options | SparseApplyFtrl এর জন্য ঐচ্ছিক বৈশিষ্ট্য | |
ধ্রুবক
| স্ট্রিং | OP_NAME | এই অপের নাম, টেনসরফ্লো কোর ইঞ্জিন দ্বারা পরিচিত |
পাবলিক পদ্ধতি
| আউটপুট <T> | আউটপুট হিসাবে () টেনসরের প্রতীকী হ্যান্ডেল ফেরত দেয়। |
| স্ট্যাটিক <T TType প্রসারিত করে > SparseApplyFtrl <T> | তৈরি করুন ( স্কোপ স্কোপ, Operand <T> var, Operand <T> accum, Operand <T> রৈখিক, Operand <T> grad, Operand <? প্রসারিত TNumber > indices, Operand <T> lr, Operand <T> l1, Operand <T> l2, অপারেন্ড <T> l2 সংকোচন, অপারেন্ড <T> lrPower, বিকল্প... বিকল্প) একটি নতুন SparseApplyFtrl অপারেশন মোড়ানো একটি ক্লাস তৈরি করার কারখানা পদ্ধতি। |
| স্ট্যাটিক SparseApplyFtrl.Options | multiplyLinearByLr (বুলিয়ান মাল্টিপ্লাই লিনিয়ারবাইএলআর) |
| আউটপুট <T> | আউট () "var" এর মতোই। |
| স্ট্যাটিক SparseApplyFtrl.Options | ইউজ লকিং (বুলিয়ান ইউজ লকিং) |
উত্তরাধিকারসূত্রে প্রাপ্ত পদ্ধতি
ধ্রুবক
সর্বজনীন স্ট্যাটিক চূড়ান্ত স্ট্রিং OP_NAME
এই অপের নাম, টেনসরফ্লো কোর ইঞ্জিন দ্বারা পরিচিত
পাবলিক পদ্ধতি
সর্বজনীন আউটপুট <T> হিসাবে আউটপুট ()
টেনসরের প্রতীকী হ্যান্ডেল ফেরত দেয়।
TensorFlow অপারেশনের ইনপুট হল অন্য TensorFlow অপারেশনের আউটপুট। এই পদ্ধতিটি একটি প্রতীকী হ্যান্ডেল পেতে ব্যবহৃত হয় যা ইনপুটের গণনাকে প্রতিনিধিত্ব করে।
সর্বজনীন স্ট্যাটিক SparseApplyFtrl <T> তৈরি করুন ( স্কোপ স্কোপ, Operand <T> var, Operand <T> accum, Operand <T> লিনিয়ার, Operand <T> grad, Operand <? প্রসারিত TNumber > সূচক, Operand <T> lr, Operand <T> l1, Operand <T> l2, Operand <T> l2 সংকোচন, Operand <T> lrPower, বিকল্প... বিকল্প)
একটি নতুন SparseApplyFtrl অপারেশন মোড়ানো একটি ক্লাস তৈরি করার কারখানা পদ্ধতি।
পরামিতি
| সুযোগ | বর্তমান সুযোগ |
|---|---|
| var | একটি পরিবর্তনশীল() থেকে হওয়া উচিত। |
| accum | একটি পরিবর্তনশীল() থেকে হওয়া উচিত। |
| রৈখিক | একটি পরিবর্তনশীল() থেকে হওয়া উচিত। |
| স্নাতক | গ্রেডিয়েন্ট। |
| সূচক | var এবং accum-এর প্রথম মাত্রায় সূচকগুলির একটি ভেক্টর। |
| lr | স্কেলিং ফ্যাক্টর। একটি স্কেলার হতে হবে। |
| l1 | L1 নিয়মিতকরণ। একটি স্কেলার হতে হবে। |
| l2 | L2 সংকোচন নিয়মিতকরণ। একটি স্কেলার হতে হবে। |
| এলআরপাওয়ার | স্কেলিং ফ্যাক্টর। একটি স্কেলার হতে হবে। |
| বিকল্প | ঐচ্ছিক বৈশিষ্ট্য মান বহন করে |
রিটার্নস
- SparseApplyFtrl এর একটি নতুন উদাহরণ
সর্বজনীন স্ট্যাটিক SparseApplyFtrl. অপশন মাল্টিপ্লাই লিনিয়ারবাইএলআর (বুলিয়ান মাল্টিপ্লাই লাইনারবাইএলআর)
পাবলিক স্ট্যাটিক SparseApplyFtrl. অপশন ইউজ লকিং (বুলিয়ান ইউজ লকিং)
পরামিতি
| লকিং ব্যবহার করুন | যদি `True` হয়, var এবং accum tensors আপডেট করা একটি লক দ্বারা সুরক্ষিত হবে; অন্যথায় আচরণটি অনির্ধারিত, তবে কম বিরোধ প্রদর্শন করতে পারে। |
|---|