tensorflow::ops::SparseApplyMomentum

Perbarui entri yang relevan di '*var' dan '*accum' sesuai dengan skema momentum.

Ringkasan

Atur use_nesterov = True jika Anda ingin menggunakan momentum Nesterov.

Artinya, untuk baris yang sudah memiliki nilai kelulusan, kita memperbarui variabel dan akumulasi sebagai berikut:

$$accum = accum * momentum + grad$$ $$var -= lr * accum$$

Argumen:

• Cakupan: Objek Cakupan
• var: Seharusnya berasal dari Variable().
• accum: Seharusnya berasal dari Variable().
• lr: Tingkat pembelajaran. Harus berupa bilangan skalar.
• grad: Gradien.
• indeks: Sebuah vektor indeks ke dimensi pertama dari var dan accum.
• momentum: Momentum. Harus berupa besaran skalar.

Atribut opsional (lihat Attrs ):

• use_locking: Jika True , pembaruan tensor var dan accum akan dilindungi oleh kunci; jika tidak, perilakunya tidak terdefinisi, tetapi mungkin menunjukkan persaingan yang lebih sedikit.
• use_nesterov: Jika True , tensor yang diteruskan ke compute grad akan menjadi var - lr * momentum * accum, jadi pada akhirnya, var yang Anda dapatkan sebenarnya adalah var - lr * momentum * accum.

Mengembalikan:

• Output : Sama dengan "var".

Atribut publik

Operation operation

::tensorflow::Output out

 SparseApplyMomentum(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  ::tensorflow::Input momentum
)

 SparseApplyMomentum(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  ::tensorflow::Input momentum,
  const SparseApplyMomentum::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)

Attrs UseNesterov(
  bool x
)