tensorflow::ops::SparseApplyProximalAdagrad

Entri pembaruan jarang di '*var' dan '*accum' sesuai dengan algoritma FOBOS.

Ringkasan

Artinya, untuk baris yang sudah memiliki nilai kelulusan, kita memperbarui variabel dan akumulasi sebagai berikut: $$accum += grad * grad$$ $$prox_v = var$$ $$prox_v -= lr * grad * (1 / sqrt(accum))$$ $$var = sign(prox_v)/(1+lr*l2) * max{|prox_v|-lr*l1,0}$$

Argumen:

• Cakupan: Objek Cakupan
• var: Seharusnya berasal dari Variable().
• accum: Seharusnya berasal dari Variable().
• lr: Tingkat pembelajaran. Harus berupa bilangan skalar.
• l1: Regularisasi L1. Harus berupa skalar.
• l2: Regularisasi L2. Harus berupa skalar.
• grad: Gradien.
• indeks: Sebuah vektor indeks ke dimensi pertama dari var dan accum.

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.

Mengembalikan:

• Output : Sama dengan "var".

Atribut publik

Operation operation

::tensorflow::Output out

 SparseApplyProximalAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices
)

 SparseApplyProximalAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  const SparseApplyProximalAdagrad::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)