tensorflow:: ops:: ApplyAdam

Zaktualizuj '*var' zgodnie z algorytmem Adam.

Streszczenie

$$lr_t := {learning_rate} * {1 - beta_2^t} / (1 - beta_1^t)$$ $$m_t := beta_1 * m_{t-1} + (1 - beta_1) * g$$ $$v_t := beta_2 * v_{t-1} + (1 - beta_2) * g * g$$ $$variable := variable - lr_t * m_t / ({v_t} + )$$

Argumenty:

• zakres: obiekt zakresu
• var: Powinien pochodzić ze zmiennej Variable().
• m: Powinno pochodzić ze zmiennej Variable().
• v: Powinno pochodzić ze zmiennej Variable().
• beta1_power: Musi być skalarem.
• beta2_power: Musi być skalarem.
• lr: Współczynnik skalowania. Musi być skalarem.
• beta1: Współczynnik pędu. Musi być skalarem.
• beta2: Współczynnik pędu. Musi być skalarem.
• epsilon: człon grzbietowy. Musi być skalarem.
• grad: Gradient.

Atrybuty opcjonalne (patrz Attrs ):

• use_locking: Jeśli True , aktualizacja tensorów var, m i v będzie chroniona blokadą; w przeciwnym razie zachowanie jest niezdefiniowane, ale może wykazywać mniejszą niezgodność.
• use_nesterov: Jeśli True , używana jest aktualizacja nesterov.

Zwroty:

• Output : To samo co „var”.

Atrybuty publiczne

Operation operation

::tensorflow::Output out

 ApplyAdam(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input m,
  ::tensorflow::Input v,
  ::tensorflow::Input beta1_power,
  ::tensorflow::Input beta2_power,
  ::tensorflow::Input lr,
  ::tensorflow::Input beta1,
  ::tensorflow::Input beta2,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ApplyAdam(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input m,
  ::tensorflow::Input v,
  ::tensorflow::Input beta1_power,
  ::tensorflow::Input beta2_power,
  ::tensorflow::Input lr,
  ::tensorflow::Input beta1,
  ::tensorflow::Input beta2,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ApplyAdam::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)

Attrs UseNesterov(
  bool x
)