tensorflow:: ops:: ResourceApplyCenteredRMSProp

중심 RMSProp 알고리즘에 따라 '*var'를 업데이트합니다.

요약

중심화된 RMSProp 알고리즘은 일반 RMSProp이 (중심화되지 않은) 2차 모멘트를 사용하는 것과 달리, 중심화된 2차 모멘트(즉, 분산)의 추정치를 정규화에 사용합니다. 이는 학습 속도 향상에 도움이 되지만, 계산 및 메모리 사용량 측면에서 약간 더 비쌉니다.

참고로, 이 알고리즘의 밀집 구현에서는 grad가 0이더라도 mg, ms, mom이 업데이트되지만, 이 희소 구현에서는 grad가 0인 반복 과정에서는 mg, ms, mom이 업데이트되지 않습니다.

평균 제곱 = 감쇠 * 평균 제곱 + (1-감쇠) * 기울기 ** 2 평균 기울기 = 감쇠 * 평균 기울기 + (1-감쇠) * 기울기

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

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

논거:

• 범위: Scope 객체
• var: Variable()에서 가져온 값이어야 합니다.
• mg: 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.

선택적 속성( Attrs 참조):

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

보고:

• 생성된 Operation

공개 속성

Operation operation

 ResourceApplyCenteredRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input mg,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ResourceApplyCenteredRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input mg,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ResourceApplyCenteredRMSProp::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)