SparseApplyProximalAdagrad

публичный финальный класс SparseApplyProximalAdagrad

Разреженные записи обновления в '*var' и '*accum' в соответствии с алгоритмом FOBOS.

То есть для строк, для которых у нас есть grad, мы обновляем var и accum следующим образом: $$accum += grad grad$$$$prox_v = var$$$$prox_v -= lr grad (1 / sqrt(accum))$$$$var = sign(prox_v)/(1+lrl2) max{|prox_v|-lrl1,0}$$

Вложенные классы

сорт SparseApplyProximalAdagrad.Options Необязательные атрибуты для SparseApplyProximalAdagrad

Константы

Нить OP_NAME Название этой операции, известное основному движку TensorFlow.

Публичные методы

Выход <Т>	какВывод () Возвращает символический дескриптор тензора.
static <T расширяет TType > SparseApplyProximalAdagrad <T>	create ( Область видимости , Операнд <T> var, Операнд <T> accum, Операнд <T> lr, Операнд <T> l1, Операнд <T> l2, Операнд <T> grad, Операнд <? расширяет TNumber > индексы, Параметры ... параметры) Фабричный метод для создания класса, обертывающего новую операцию SparseApplyProximalAdagrad.
Выход <Т>	вне () То же, что «вар».
статический SparseApplyProximalAdagrad.Options	useLocking (логическое значение useLocking)

Унаследованные методы

Из класса org.tensorflow.op.RawOp

последнее логическое значение	равно (Объект obj)
окончательный интервал	хэш-код ()
Операция	оп () Верните эту единицу вычислений как одну `Operation` .
последняя строка	нанизывать ()

Из класса java.lang.Object

логическое значение	равно (Объект arg0)
последний класс<?>	получитьКласс ()
интервал	хэш-код ()
окончательная пустота	поставить в известность ()
окончательная пустота	уведомитьВсе ()
Нить	нанизывать ()
окончательная пустота	подождать (длинный arg0, int arg1)
окончательная пустота	подождите (длинный arg0)
окончательная пустота	ждать ()

Из интерфейса org.tensorflow.op.Op

абстрактная среда выполнения	окружение () Верните среду выполнения, в которой была создана эта операция.
абстрактная операция	оп () Верните эту единицу вычислений как одну `Operation` .

Из интерфейса org.tensorflow.Operand

абстрактный вывод <T>	какВывод () Возвращает символический дескриптор тензора.
абстрактная Т	асТензор () Возвращает тензор в этом операнде.
абстрактная форма	форма () Возвращает (возможно, частично известную) форму тензора, на который ссылается `Output` этого операнда.
абстрактный класс<T>	тип () Возвращает тензорный тип этого операнда

Из интерфейса org.tensorflow.ndarray.Shaped

абстрактный int	классифицировать ()
абстрактная форма	форма ()
абстрактный длинный	размер () Вычисляет и возвращает общий размер этого контейнера в количестве значений.

Константы

общедоступная статическая финальная строка OP_NAME

Название этой операции, известное основному движку TensorFlow.

Постоянное значение: «SparseApplyProximalAdagrad»

Публичные методы

публичный вывод <T> asOutput ()

Возвращает символический дескриптор тензора.

Входные данные для операций TensorFlow являются выходными данными другой операции TensorFlow. Этот метод используется для получения символического дескриптора, который представляет собой вычисление входных данных.

public static SparseApplyProximalAdagrad <T> create ( Область действия, Операнд <T> var, Операнд <T> accum, Операнд <T> lr, Операнд <T> l1, Операнд <T> l2, Операнд <T> град, Операнд <? расширяет TNumber > индексы, параметры... параметры)

Фабричный метод для создания класса, обертывающего новую операцию SparseApplyProximalAdagrad.

Параметры

объем	текущий объем
вар	Должно быть из переменной().
накапливать	Должно быть из переменной().
лр	Скорость обучения. Должно быть скаляр.
л1	Регуляризация L1. Должно быть скаляр.
л2	Регуляризация L2. Должно быть скаляр.
выпускник	Градиент.
индексы	Вектор индексов в первом измерении var и accum.
параметры	содержит значения необязательных атрибутов

Возврат

новый экземпляр SparseApplyProximalAdagrad

публичный вывод <T> out ()

То же, что «вар».

public static SparseApplyProximalAdagrad.Options useLocking (логическое значение useLocking)

Параметры

использоватьLocking	Если True, обновление тензоров var и accum будет защищено блокировкой; в противном случае поведение не определено, но может вызывать меньше конфликтов.