tensorflow :: ops :: SparseApplyAdagrad

Zaktualizuj odpowiednie wpisy w „* var” i „* accum” zgodnie ze schematem adagrad.

streszczenie

To jest dla wierszy, dla których mamy grad, aktualizujemy var i accum w następujący sposób: $$accum += grad * grad$$ $$var -= lr * grad * (1 / sqrt(accum))$$

Argumenty:

• zakres: obiekt Scope
• zmienna: powinna pochodzić ze zmiennej ().
• accum: Powinien pochodzić ze zmiennej ().
• lr: współczynnik uczenia się. Musi być skalarem.
• grad: gradient.
• indeksy: wektor indeksów do pierwszego wymiaru var i accum.

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 mniejszą rywalizację.

Zwroty:

• Output : to samo co „var”.

Atrybuty publiczne

Operation operation

::tensorflow::Output out

 SparseApplyAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices
)

 SparseApplyAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  const SparseApplyAdagrad::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UpdateSlots(
  bool x
)

Attrs UseLocking(
  bool x
)