tensorflow:: ops:: ResourceApplyAdam

অ্যাডাম অ্যালগরিদম অনুসারে '*var' আপডেট করুন।

সারসংক্ষেপ

$$lr_t := {learning_rate} * {1 - beta_2^t} / (1 - beta_1^t)$$ $$m_t := beta_1 * m_{t-1} + (1 - beta_1) * g$$ $$v_t := beta_2 * v_{t-1} + (1 - beta_2) * g * g$$ $$variable := variable - lr_t * m_t / ({v_t} + )$$

যুক্তি:

• স্কোপ: একটি স্কোপ অবজেক্ট
• var: Variable() থেকে আসা উচিত।
• m: এটি একটি Variable() থেকে আসা উচিত।
• v: এটি একটি Variable() থেকে হওয়া উচিত।
• beta1_power: অবশ্যই একটি স্কেলার হতে হবে।
• beta2_power: অবশ্যই একটি স্কেলার হতে হবে।
• lr: স্কেলিং ফ্যাক্টর। এটি অবশ্যই একটি স্কেলার হতে হবে।
• বিটা১: ভরবেগ গুণক। অবশ্যই একটি স্কেলার হতে হবে।
• বিটা২: ভরবেগ গুণক। অবশ্যই একটি স্কেলার হতে হবে।
• এপসিলন: রিজ টার্ম। অবশ্যই স্কেলার হতে হবে।
• grad: নতিমাত্রা।

ঐচ্ছিক অ্যাট্রিবিউটসমূহ (দেখুন Attrs ):

• use_locking: যদি True , তাহলে var, m, এবং v টেনসরগুলোর আপডেট একটি লক দ্বারা সুরক্ষিত থাকবে; অন্যথায় এর আচরণ অনির্ধারিত, তবে এতে কনটেনশন কম হতে পারে।
• use_nesterov: যদি True , তাহলে nesterov আপডেটটি ব্যবহৃত হবে।

ফেরত:

• তৈরি করা Operation

জনসাধারণের বৈশিষ্ট্য

Operation operation

 ResourceApplyAdam(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input m,
  ::tensorflow::Input v,
  ::tensorflow::Input beta1_power,
  ::tensorflow::Input beta2_power,
  ::tensorflow::Input lr,
  ::tensorflow::Input beta1,
  ::tensorflow::Input beta2,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ResourceApplyAdam(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input m,
  ::tensorflow::Input v,
  ::tensorflow::Input beta1_power,
  ::tensorflow::Input beta2_power,
  ::tensorflow::Input lr,
  ::tensorflow::Input beta1,
  ::tensorflow::Input beta2,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ResourceApplyAdam::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)

Attrs UseNesterov(
  bool x
)