टेंसरफ़्लो:: ऑप्स:: रिसोर्सएप्लाईएडम

एडम एल्गोरिथम के अनुसार '*var' को अपडेट करें।

सारांश

$$lr_t := {learning_rate} * {1 - beta_2^t} / (1 - beta_1^t)$$ $$m_t := beta_1 * m_{t-1} + (1 - beta_1) * g$$ $$v_t := beta_2 * v_{t-1} + (1 - beta_2) * g * g$$ $$variable := variable - lr_t * m_t / ({v_t} + )$$

तर्क:

• स्कोप: एक स्कोप ऑब्जेक्ट
• var: एक वेरिएबल() से होना चाहिए।
• एम: एक वेरिएबल() से होना चाहिए।
• v: एक वेरिएबल() से होना चाहिए।
• beta1_power: एक अदिश राशि होनी चाहिए.
• beta2_power: एक अदिश राशि होनी चाहिए.
• एलआर: स्केलिंग कारक। एक अदिश राशि होनी चाहिए.
• बीटा1: संवेग कारक। एक अदिश राशि होनी चाहिए.
• बीटा2: संवेग कारक। एक अदिश राशि होनी चाहिए.
• एप्सिलॉन: रिज शब्द। एक अदिश राशि होनी चाहिए.
• ग्रेड: ग्रेडिएंट.

वैकल्पिक विशेषताएँ (देखें Attrs ):

• उपयोग_लॉकिंग: यदि True , तो var, m, और v टेंसर का अद्यतनीकरण लॉक द्वारा संरक्षित किया जाएगा; अन्यथा व्यवहार अपरिभाषित है, लेकिन कम विवाद प्रदर्शित कर सकता है।
• उपयोग_नेस्टरोव: यदि True , तो नेस्टरोव अद्यतन का उपयोग करता है।

रिटर्न:

• बनाया गया Operation

सार्वजनिक गुण

Operation operation

 ResourceApplyAdam(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input m,
  ::tensorflow::Input v,
  ::tensorflow::Input beta1_power,
  ::tensorflow::Input beta2_power,
  ::tensorflow::Input lr,
  ::tensorflow::Input beta1,
  ::tensorflow::Input beta2,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ResourceApplyAdam(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input m,
  ::tensorflow::Input v,
  ::tensorflow::Input beta1_power,
  ::tensorflow::Input beta2_power,
  ::tensorflow::Input lr,
  ::tensorflow::Input beta1,
  ::tensorflow::Input beta2,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ResourceApplyAdam::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)

Attrs UseNesterov(
  bool x
)