tensorflow::ops::ResourceSparseApplyFtrlV2

อัปเดตรายการที่เกี่ยวข้องใน '*var' ตามรูปแบบ Ftrl-proximal

สรุป

สำหรับแถวที่เรามีค่า grad เราจะอัปเดตค่า var, accum และ linear ดังนี้: grad_with_shrinkage = grad + 2 * l2_shrinkage * var accum_new = accum + grad_with_shrinkage * grad_with_shrinkage linear += grad_with_shrinkage + (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 ถ้า |linear| > l1 มิฉะนั้น 0.0 accum = accum_new

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• var: ควรมาจาก Variable()
• accum: ควรมาจาก Variable()
• เชิงเส้น: ควรมาจากตัวแปร (Variable())
• grad: ค่าความชัน
• ดัชนี: เวกเตอร์ของดัชนีในมิติแรกของ var และ accum
• lr: ตัวคูณปรับขนาด ต้องเป็นค่าคงที่
• l1: การปรับค่า L1 ต้องเป็นค่าสเกลาร์
• l2: การปรับค่าความเรียบด้วยการหดตัวระดับ 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

 ResourceSparseApplyFtrlV2(
  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 l2_shrinkage,
  ::tensorflow::Input lr_power
)

 ResourceSparseApplyFtrlV2(
  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 l2_shrinkage,
  ::tensorflow::Input lr_power,
  const ResourceSparseApplyFtrlV2::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)