tensorflow:: ops:: ResourceSparseApplyFtrl

Ftrl-proximal योजना के अनुसार '*var' में संबंधित प्रविष्टियों को अपडेट करें।

सारांश

यानी, जिन पंक्तियों के लिए हमारे पास grad है, उनके लिए हम var, accum और linear को निम्नानुसार अपडेट करते हैं: accum_new = accum + grad * grad linear += grad - (accum_new^(-lr_power) - accum^(-lr_power)) / lr * var quadratic = 1.0 / (accum_new^(lr_power) * lr) + 2 * l2 var = (sign(linear) * l1 - linear) / quadratic if |linear| > l1 else 0.0 accum = accum_new

तर्क:

• स्कोप: एक स्कोप ऑब्जेक्ट
• var: यह एक Variable() से होना चाहिए।
• संचय: यह एक वेरिएबल() से होना चाहिए।
• लीनियर: यह एक वेरिएबल() से होना चाहिए।
• ग्रेड: प्रवणता।
• सूचकांक: var और accum के पहले आयाम में सूचकांकों का एक सदिश।
• lr: स्केलिंग फैक्टर। यह एक स्केलर होना चाहिए।
• l1: L1 नियमितीकरण। यह एक अदिश राशि होनी चाहिए।
• l2: L2 नियमितीकरण। यह एक अदिश राशि होनी चाहिए।
• lr_power: स्केलिंग फैक्टर। यह एक स्केलर होना चाहिए।

वैकल्पिक विशेषताएँ (देखें Attrs ):

• use_locking: यदि True , तो var और accum टेंसरों का अद्यतन एक लॉक द्वारा सुरक्षित किया जाएगा; अन्यथा व्यवहार अपरिभाषित है, लेकिन कम टकराव प्रदर्शित कर सकता है।

प्रतिफल:

• निर्मित Operation

सार्वजनिक विशेषताएँ

Operation operation

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

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

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)