tensorflow:: ops:: SparseApplyRMSProp

עדכון '*var' בהתאם לאלגוריתם RMSProp.

תַקצִיר

שימו לב שבמימוש צפוף של אלגוריתם זה, ms ו-mom יעודכנו גם אם ה-grad הוא אפס, אך במימוש דליל זה, ms ו-mom לא יעודכנו באיטרציות שבמהלכן ה-grad הוא אפס.

ממוצע_ריבועי = דעיכה * ממוצע_ריבועי + (דעיכה של 1) * גרדיאנט ** 2 דלתא = קצב_למידה * גרדיאנט / sqrt(ממוצע_ריבועי + אפסילון)

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

טיעונים:

• היקף: אובייקט היקף
• var: צריך להיות מתוך Variable().
• ms: צריך להיות מ-Variable().
• אמא: אמור להיות מ-Variable().
• lr: גורם קנה מידה. חייב להיות סקלרי.
• rho: קצב דעיכה. חייב להיות סקלרי.
• אפסילון: איבר רכס. חייב להיות סקלרי.
• גראד: הגרדיאנט.
• אינדקסים: וקטור של אינדקסים לתוך המימד הראשון של var, ms ו-mom.

מאפיינים אופציונליים (ראה Attrs ):

• use_locking: אם True , עדכון הטנזורים var, ms ו-mom מוגן על ידי נעילה; אחרת ההתנהגות אינה מוגדרת, אך עשויה להפגין פחות תחרות.

החזרות:

• Output : זהה ל-"var".

מאפיינים ציבוריים

Operation operation

::tensorflow::Output out

 SparseApplyRMSProp(
  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,
  ::tensorflow::Input indices
)

 SparseApplyRMSProp(
  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,
  ::tensorflow::Input indices,
  const SparseApplyRMSProp::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)