tensorflow:: ops:: ResourceSparseApplyFtrl

Zaktualizuj odpowiednie wpisy w '*var' zgodnie ze schematem Ftrl-proximal.

Streszczenie

W przypadku wierszy, dla których mamy grad, aktualizujemy var, accum i linear w następujący sposób: 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

Argumenty:

• zakres: obiekt zakresu
• var: Powinien pochodzić ze zmiennej Variable().
• accum: Powinno pochodzić ze zmiennej Variable().
• liniowy: powinien pochodzić ze zmiennej Variable().
• grad: Gradient.
• indeksy: Wektor indeksów do pierwszego wymiaru var i accum.
• lr: Współczynnik skalowania. Musi być skalarem.
• l1: Regularyzacja L1. Musi być skalarem.
• l2: Regularyzacja L2. Musi być skalarem.
• lr_power: Współczynnik skalowania. Musi być skalarem.

Atrybuty opcjonalne (patrz Attrs ):

• use_locking: Jeśli True , aktualizacja tensorów var i accum będzie chroniona blokadą; w przeciwnym wypadku zachowanie jest niezdefiniowane, ale może wykazywać mniejszą niezgodność.

Zwroty:

• utworzona Operation

Atrybuty publiczne

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
)