tensorflow :: ops :: ResourceApplyCenteredRMSProp

중앙 RMSProp 알고리즘에 따라 '* var'를 업데이트합니다.

요약

중심화 RMSProp 알고리즘은 정규화를 위해 중심화 2 차 모멘트 (즉, 분산)의 추정치를 사용합니다. 이것은 종종 훈련에 도움이되지만 계산 및 메모리 측면에서 약간 더 비쌉니다.

이 알고리즘의 조밀 한 구현에서 mg, ms 및 mom은 grad가 0 인 경우에도 업데이트되지만이 희소 구현에서는 mg, ms 및 mom이 grad가 0 인 반복에서 업데이트되지 않습니다.

mean_square = 붕괴 * mean_square + (1-decay) * gradient ** 2 mean_grad = decay * mean_grad + (1-decay) * gradient

델타 = learning_rate * gradient / sqrt (mean_square + epsilon-mean_grad ** 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 + 엡실론) var <-var-mom

인수 :

• 범위 : 범위 개체
• var : Variable ()에서 가져와야합니다.
• mg : Variable ()에서 가져와야합니다.
• ms : Variable ()에서 가져와야합니다.
• mom : Variable ()에서 가져와야합니다.
• lr : 배율. 스칼라 여야합니다.
• rho : 부패율. 스칼라 여야합니다.
• 엡실론 : 능선 용어. 스칼라 여야합니다.
• grad : 그래디언트입니다.

선택적 속성 ( Attrs 참조) :

• use_locking : True 이면 var, mg, ms 및 mom 텐서의 업데이트가 잠금으로 보호됩니다. 그렇지 않으면 동작이 정의되지 않지만 경합이 적을 수 있습니다.

보고:

• 생성 된 Operation

공용 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
)