przepływ tensorowy:: ops:: ZastosujRMSPProp

Zaktualizuj „*var” zgodnie z algorytmem RMSProp.

Streszczenie

Należy zauważyć, że w gęstej implementacji tego algorytmu ms i mama zostaną zaktualizowane, nawet jeśli grad będzie wynosić zero, ale w tej rzadkiej implementacji ms i mama nie będą aktualizować się w iteracjach, podczas których grad będzie wynosić zero.

średnia_kwadrat = zanik * średnia_kwadrat + (1-zanik) * gradient ** 2 Delta = szybkość_uczenia się * gradient / sqrt(średnia_kwadrat + epsilon)

ms <- rho * ms_{t-1} + (1-rho) * grad * grad mama <- pęd * mama_{t-1} + lr * grad / sqrt(ms + epsilon) var <- var - mama

Argumenty:

• zakres: Obiekt Scope
• var: Powinien pochodzić ze zmiennej ().
• ms: Powinno pochodzić ze zmiennej ().
• mama: Powinno pochodzić ze zmiennej ().
• lr: Współczynnik skalowania. Musi być skalarem.
• rho: Szybkość zaniku. Musi być skalarem.
• epsilon: termin grzbietowy. Musi być skalarem.
• grad: gradient.

Opcjonalne atrybuty (patrz Attrs ):

• use_locking: Jeśli True , aktualizacja tensorów var, ms i mama jest chroniona blokadą; w przeciwnym razie zachowanie jest niezdefiniowane, ale może wykazywać mniejszą rywalizację.

Zwroty:

• utworzoną Operation

Atrybuty publiczne

Operation operation

 ResourceApplyRMSProp(
  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
)

 ResourceApplyRMSProp(
  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,
  const ResourceApplyRMSProp::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)