tensorflow :: ops :: ApplyRMSProp

Zaktualizuj „* var” zgodnie z algorytmem RMSProp.

streszczenie

Zauważ, że w gęstej implementacji tego algorytmu, ms i mom będą aktualizowane, nawet jeśli grad jest równy zero, ale w tej rzadkiej implementacji ms i mom nie będą aktualizować się w iteracjach, podczas których grad jest równy zero.

mean_square = rozpad * mean_square + (1-decay) * gradient ** 2 Delta = learning_rate * gradient / sqrt (mean_square + epsilon)

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

Argumenty:

• zakres: obiekt Scope
• zmienna: powinna pochodzić ze zmiennej ().
• ms: Powinien pochodzić ze zmiennej ().
• mom: Powinien pochodzić ze zmiennej ().
• lr: współczynnik skalowania. Musi być skalarem.
• rho: tempo zaniku. Musi być skalarem.
• epsilon: Termin grzbietu. Musi być skalarem.
• grad: gradient.

Atrybuty opcjonalne (patrz Attrs ):

• use_locking: Jeśli True , aktualizacja tensorów var, ms i mom jest chroniona blokadą; w przeciwnym razie zachowanie jest niezdefiniowane, ale może wykazywać mniej rywalizacji.

Zwroty:

• Output : to samo co „var”.

Atrybuty publiczne

Operation operation

::tensorflow::Output out

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

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

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)