tensor akışı:: işlem:: KaynakUygulaRMSProp

'*var'ı RMSProp algoritmasına göre güncelleyin.

Özet

Bu algoritmanın yoğun uygulanmasında ms ve mom'in derece sıfır olsa bile güncelleneceğini, ancak bu seyrek uygulamada ms ve mom'in derecenin sıfır olduğu yinelemelerde güncellenmeyeceğini unutmayın.

ortalama_kare = bozunma * ortalama_kare + (1-bozunma) * gradyan ** 2 Delta = öğrenme_oranı * gradyan / sqrt(ortalama_kare + epsilon)

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

Argümanlar:

• kapsam: Bir Kapsam nesnesi
• var: Bir Variable()'dan olmalıdır.
• ms: Bir Variable()'dan olmalıdır.
• anne: Bir Variable()'dan olmalı.
• lr: Ölçeklendirme faktörü. Bir skaler olmalı.
• rho: Bozunma oranı. Bir skaler olmalı.
• epsilon: Ridge terimi. Bir skaler olmalı.
• grad: Gradyan.

İsteğe bağlı özellikler (bkz. Attrs ):

• use_locking: True ise var, ms ve mom tensörlerinin güncellenmesi bir kilitle korunur; aksi takdirde davranış tanımsızdır ancak daha az çekişme sergileyebilir.

İade:

• oluşturulan Operation

Genel özellikler

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
)