tensorflow:: عملیات:: ResourceSparseApplyFtrl

ورودی‌های مرتبط در '*var' را طبق طرح Ftrl-proximal به‌روزرسانی کنید.

خلاصه

یعنی برای ردیف‌هایی که grad داریم، var، accum و linear را به صورت زیر به‌روزرسانی می‌کنیم: 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

استدلال‌ها:

• دامنه: یک شیء دامنه
• var: باید از یک متغیر () باشد.
• accum: باید از یک متغیر () باشد.
• خطی: باید از یک متغیر () باشد.
• گرادیان: شیب.
• شاخص‌ها: برداری از شاخص‌ها در بعد اول var و accum.
• lr: ضریب مقیاس‌بندی. باید یک اسکالر باشد.
• l1: منظم‌سازی L1. باید اسکالر باشد.
• l2: منظم‌سازی L2. باید اسکالر باشد.
• lr_power: ضریب مقیاس‌بندی. باید یک اسکالر باشد.

ویژگی‌های اختیاری (به Attrs مراجعه کنید):

• use_locking: اگر True ، به‌روزرسانی تانسورهای var و accum توسط یک قفل محافظت می‌شود؛ در غیر این صورت رفتار تعریف نشده است، اما ممکن است رقابت کمتری را نشان دهد.

بازده:

• Operation ایجاد شده

ویژگی‌های عمومی

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 MultiplyLinearByLr(
  bool x
)

Attrs UseLocking(
  bool x
)