tensorflow :: ops :: ResourceSparseApplyRMSProp

Atualize '* var' de acordo com o algoritmo RMSProp.

Resumo

Observe que na implementação densa deste algoritmo, ms e mom serão atualizados mesmo se o grad for zero, mas nesta implementação esparsa, ms e mom não serão atualizados em iterações durante as quais o grad for zero.

quadrado_médio = decadência * quadrado_médio + (1-decaimento) * gradiente ** 2 Delta = taxa_de_prendizagem * gradiente / quadrado (quadrado_médio + épsilon)

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

Argumentos:

• escopo: um objeto Scope
• var: deve ser de uma variável ().
• ms: deve ser de uma variável ().
• mãe: deve ser de uma variável ().
• lr: Fator de escala. Deve ser um escalar.
• rho: Taxa de decaimento. Deve ser um escalar.
• epsilon: termo de cume. Deve ser um escalar.
• grad: O gradiente.
• índices: Um vetor de índices na primeira dimensão de var, ms e mom.

Atributos opcionais (consulte Attrs ):

• use_locking: se True , a atualização dos tensores var, ms e mom é protegida por um bloqueio; caso contrário, o comportamento é indefinido, mas pode exibir menos contenção.

Retorna:

• a Operation criada

Atributos públicos

Operation operation

 ResourceSparseApplyRMSProp(
  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
)

 ResourceSparseApplyRMSProp(
  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 ResourceSparseApplyRMSProp::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)