tensorflow :: ops :: Seyrek UygulaFtrl

Ftrl proksimal şemasına göre '* var' içindeki ilgili girişleri güncelleyin.

Özet

Yani, grad verdiğimiz satırlar için var, aküm ve linear'i şu şekilde güncelliyoruz: $$accum_new = accum + grad * grad$$ $$linear += grad + (accum_{new}^{-lr_{power}} - accum^{-lr_{power}} / lr * var$$ $$quadratic = 1.0 / (accum_{new}^{lr_{power}} * lr) + 2 * l2$$ $$var = (sign(linear) * l1 - linear) / quadratic\ if\ |linear| > l1\ else\ 0.0$$ $$accum = accum_{new}$$

Argümanlar:

• kapsam: Bir Scope nesnesi
• var: Bir Değişken () 'den olmalıdır.
• birikim: Bir Değişken () 'den olmalıdır.
• doğrusal: Bir Değişken'den () olmalıdır.
• grad: Gradyan.
• indisler: var ve akümül'ün ilk boyutundaki indislerin bir vektörü.
• lr: Ölçekleme faktörü. Skaler olmalı.
• l1: L1 düzenlenmesi. Skaler olmalı.
• l2: L2 düzenlenmesi. Skaler olmalı.
• lr_power: Ölçekleme faktörü. Skaler olmalı.

İsteğe bağlı özellikler (bkz. Attrs ):

• use_locking: True ise, var ve akümülörlerin güncellenmesi bir kilit ile korunacaktır; aksi takdirde davranış tanımsızdır, ancak daha az çekişme gösterebilir.

İadeler:

• Output : "var" ile aynı.

Genel özellikler

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
)