tensorflow :: opérations :: SparseApplyFtrl

Mettez à jour les entrées pertinentes dans '* var' selon le schéma Ftrl-proximal.

Résumé

C'est pour les lignes pour lesquelles nous avons grad, nous mettons à jour var, accum et linear comme suit: $$accum_new = accum + grad * grad$$ $$linear += grad + (accum_{new}^{-lr_{power}} - accum^{-lr_{power}} / lr * var$$ $$quadratic = 1.0 / (accum_{new}^{lr_{power}} * lr) + 2 * l2$$ $$var = (sign(linear) * l1 - linear) / quadratic\ if\ |linear| > l1\ else\ 0.0$$ $$accum = accum_{new}$$

Arguments:

• scope: un objet Scope
• var: Doit provenir d'une variable ().
• accum: Doit provenir d'une variable ().
• linear: Doit provenir d'une variable ().
• grad: Le dégradé.
• indices: Un vecteur d'indices dans la première dimension de var et accum.
• lr: facteur d'échelle. Doit être un scalaire.
• l1: régularisation L1. Doit être un scalaire.
• l2: régularisation L2. Doit être un scalaire.
• lr_power: facteur de mise à l'échelle. Doit être un scalaire.

Attributs facultatifs (voir Attrs ):

• use_locking: Si True , la mise à jour des tenseurs var et accum sera protégée par un verrou; sinon, le comportement n'est pas défini, mais peut présenter moins de conflits.

Retour:

• Output : identique à "var".

Attributs publics

Operation operation

::tensorflow::Output out

 SparseApplyFtrl(
  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
)

 SparseApplyFtrl(
  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 SparseApplyFtrl::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)