تينسورفلو :: العمليات :: تطبيق: CenteredRMSProp

تحديث "* var" وفقًا لخوارزمية RMSProp المركزية.

ملخص

تستخدم خوارزمية RMSProp المتمركزة تقديرًا للحظة الثانية المركزية (أي التباين) للتطبيع ، على عكس RMSProp العادي ، الذي يستخدم اللحظة الثانية (غير المركزية). غالبًا ما يساعد هذا في التدريب ، ولكنه أغلى قليلاً من حيث الحساب والذاكرة.

لاحظ أنه في التنفيذ المكثف لهذه الخوارزمية ، سيتم تحديث mg ، و ms ، و mom حتى لو كان grad هو صفر ، ولكن في هذا التطبيق المتناثر ، لن يتم تحديث mg ، و ms ، و mom في التكرارات التي يكون فيها grad هو صفر.

mean_square = الاضمحلال * mean_square + (1-decay) * gradient ** 2 mean_grad = decay * mean_grad + (1-decay) * gradient

دلتا = Learning_rate * gradient / sqrt (mean_square + epsilon - mean_grad ** 2)

mg <- rho * mg_ {t-1} + (1-rho) * grad ms <- rho * ms_ {t-1} + (1-rho) * grad * grad mom <- الزخم * mom_ {t-1 } + lr * grad / sqrt (ms - mg * mg + epsilon) var <- var - mom

الحجج:

• النطاق: كائن النطاق
• var: يجب أن يكون من متغير ().
• mg: يجب أن يكون من متغير ().
• ms: يجب أن يكون من المتغير ().
• mom: يجب أن تكون من متغير ().
• lr: عامل التحجيم. يجب أن يكون عددًا.
• rho: معدل الاضمحلال. يجب أن يكون عددًا.
• إبسيلون: مصطلح ريدج. يجب أن يكون عددًا.
• غراد: التدرج.

السمات الاختيارية (انظر Attrs ):

• use_locking: إذا كان هذا True ، فإن تحديث موترات var و mg و ms و mom محمي بقفل ؛ وبخلاف ذلك ، يكون السلوك غير محدد ، ولكنه قد يعرض خلافًا أقل.

عائدات:

• Output : نفس "فار".

السمات العامة

Operation operation

::tensorflow::Output out

 ApplyCenteredRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input mg,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ApplyCenteredRMSProp::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)