tensorflow:: ops:: SparseApplyRMSProp

RMSPropアルゴリズムに従って「*var」を更新します。

まとめ

このアルゴリズムの密な実装では、勾配がゼロであってもmsとmomは更新されますが、この疎な実装では、勾配がゼロとなる反復処理ではmsとmomは更新されません。

平均二乗 = 減衰 * 平均二乗 + (1-減衰) * 勾配 ** 2 デルタ = 学習率 * 勾配 / sqrt(平均二乗 + epsilon)

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

議論:

• スコープ:スコープオブジェクト
• var: Variable() から取得する必要があります。
• ms: Variable() から取得する必要があります。
• 母: Variable() から取得する必要があります。
• lr: スケーリング係数。スカラー値である必要があります。
• rho: 崩壊率。スカラー値である必要があります。
• epsilon: リッジ項。スカラー値でなければならない。
• grad: 勾配。
• indices: var、ms、mom の第 1 次元へのインデックスのベクトル。

オプション属性（ Attrs参照）：

• use_locking: True場合、var、ms、mom テンソルの更新はロックによって保護されます。それ以外の場合は動作は未定義ですが、競合が少なくなる可能性があります。

返品:

• Output : "var" と同じです。

公開属性

Operation operation

::tensorflow::Output out

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

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

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)