aliran tensor:: operasi:: SparseApplyFtrl

Perbarui entri yang relevan di '*var' sesuai dengan skema Ftrl-proksimal.

Ringkasan

Itu untuk baris yang memiliki grad, kami memperbarui var, accum dan linear sebagai berikut: $$accum_new = accum + grad * grad$$ $$linear += grad + (accum_{new}^{-lr_{power}} - accum^{-lr_{power}} / lr * var$$ $$quadratic = 1.0 / (accum_{new}^{lr_{power}} * lr) + 2 * l2$$ $$var = (sign(linear) * l1 - linear) / quadratic\ if\ |linear| > l1\ else\ 0.0$$ $$accum = accum_{new}$$

Argumen:

• ruang lingkup: Objek Lingkup
• var: Harus dari Variabel().
• accum: Harus dari Variabel().
• linier: Harus dari Variabel().
• lulusan: Gradien.
• indeks: Vektor indeks ke dalam dimensi pertama var dan accum.
• lr: Faktor penskalaan. Pasti skalar.
• l1: Regularisasi L1. Pasti skalar.
• l2: Regularisasi L2. Pasti skalar.
• lr_power: Faktor penskalaan. Pasti skalar.

Atribut opsional (lihat Attrs ):

• use_locking: Jika True , pembaruan tensor var dan accum akan dilindungi oleh kunci; jika tidak, perilaku tersebut tidak terdefinisikan, namun mungkin menunjukkan lebih sedikit pertentangan.

Pengembalian:

• Output : Sama seperti "var".

Atribut publik

Operation operation

::tensorflow::Output out

 SparseApplyFtrl(
  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
)

 SparseApplyFtrl(
  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 SparseApplyFtrl::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)