tensorflow :: ops :: ResourceSparseApplyFtrl

Zaktualizuj odpowiednie wpisy w „* var” zgodnie ze schematem proksymalnym Ftrl.

streszczenie

To znaczy dla wierszy, dla których mamy grad, aktualizujemy var, accum i linear w następujący sposób: accum_new = accum + grad * grad linear + = grad - (accum_new ^ (- lr_power) - accum ^ (- lr_power)) / lr * var quadratic = 1.0 / (accum_new ^ (lr_power) * lr) + 2 * l2 var = (sign (linear) * l1 - linear) / quadratic if | linear | > l1 else 0,0 accum = accum_new

Argumenty:

• zakres: obiekt Scope
• zmienna: powinna pochodzić ze zmiennej ().
• accum: Powinien pochodzić ze zmiennej ().
• linear: Powinien pochodzić ze zmiennej ().
• grad: gradient.
• indeksy: wektor indeksów do pierwszego wymiaru var i accum.
• lr: współczynnik skalowania. Musi być skalarem.
• l1: regularyzacja L1. Musi być skalarem.
• l2: regularyzacja L2. Musi być skalarem.
• lr_power: współczynnik skalowania. Musi być skalarem.

Atrybuty opcjonalne (patrz Attrs ):

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

Zwroty:

• utworzonej Operation

Atrybuty publiczne

Operation operation

 ResourceSparseApplyFtrl(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input linear,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input lr_power
)

 ResourceSparseApplyFtrl(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input linear,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input lr_power,
  const ResourceSparseApplyFtrl::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)