tensorflow:: ops:: SparseApplyRMSProp

RMSProp 알고리즘에 따라 '*var'를 업데이트합니다.

요약

참고로, 이 알고리즘의 밀집 구현에서는 기울기가 0이더라도 ms와 mom이 업데이트되지만, 이 희소 구현에서는 기울기가 0인 반복 동안에는 ms와 mom이 업데이트되지 않습니다.

평균 제곱 = 감쇠 * 평균 제곱 + (1-감쇠) * 기울기 ** 2 델타 = 학습률 * 기울기 / sqrt(평균 제곱 + 엡실론)

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

논거:

• 범위: Scope 객체
• var: Variable()에서 가져온 값이어야 합니다.
• ms: Variable()에서 가져온 값이어야 합니다.
• 엄마: Variable()에서 가져와야 해요.
• lr: 스케일링 계수. 스칼라 값이어야 합니다.
• rho: 감쇠율. 스칼라 값이어야 합니다.
• 엡실론: 릿지 항. 스칼라여야 합니다.
• grad: 기울기.
• 인덱스: var, ms 및 mom의 첫 번째 차원에 대한 인덱스 벡터입니다.

선택적 속성( Attrs 참조):

• use_locking: True 설정하면 var, ms, mom 텐서의 업데이트가 락으로 보호됩니다. 그렇지 않으면 동작이 정의되지 않지만 경합이 줄어들 수 있습니다.

보고:

• Output : "var"와 동일합니다.

공개 속성

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
)