tensorflow::ops::ResourceApplyFtrl

อัปเดต '*var' ตามรูปแบบ Ftrl-proximal

สรุป

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 = (เครื่องหมาย (เชิงเส้น) * l1 - เชิงเส้น) / กำลังสองถ้า |linear| > l1 อื่น 0.0 สะสม = accum_new

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• var: ควรมาจาก Variable()
• accum: ควรมาจาก Variable()
• เชิงเส้น: ควรมาจากตัวแปร (Variable())
• grad: ค่าความชัน
• lr: ตัวคูณปรับขนาด ต้องเป็นค่าคงที่
• l1: การปรับค่า L1 ต้องเป็นค่าสเกลาร์
• l2: การปรับค่า L2 ต้องเป็นค่าสเกลาร์
• lr_power: ตัวคูณปรับขนาด ต้องเป็นค่าคงที่

คุณลักษณะเสริม (ดูที่ Attrs ):

• use_locking: หากตั้งค่า True การอัปเดตเทนเซอร์ var และ accum จะได้รับการป้องกันด้วยการล็อก มิเช่นนั้นพฤติกรรมจะไม่แน่นอน แต่การแย่งชิงทรัพยากรอาจน้อยลง

การส่งคืนสินค้า:

• Operation ที่สร้างขึ้น

คุณลักษณะสาธารณะ

Operation operation

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

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

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)