टेंसरफ़्लो:: ऑप्स:: रिसोर्सस्पार्सएप्लाईआरएमएसप्रॉप

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

सारांश

ध्यान दें कि इस एल्गोरिथ्म के सघन कार्यान्वयन में, एमएस और मॉम अपडेट होंगे, भले ही ग्रेड शून्य हो, लेकिन इस विरल कार्यान्वयन में, एमएस और मॉम उन पुनरावृत्तियों में अपडेट नहीं होंगे, जिनके दौरान ग्रेड शून्य है।

माध्य_वर्ग = क्षय * माध्य_वर्ग + (1-क्षय) * ग्रेडिएंट ** 2 डेल्टा = सीखने की दर * ग्रेडिएंट / वर्ग(मीन_स्क्वायर + एप्सिलॉन)

एमएस <- आरएचओ * एमएस_{टी-1} + (1-आरएचओ) * ग्रेड * ग्रेड माँ <- गति * माँ_{टी-1} + एलआर * ग्रेड / एसक्यूआरटी (एमएस + एप्सिलॉन) वर <- वर - माँ

तर्क:

• स्कोप: एक स्कोप ऑब्जेक्ट
• var: एक वेरिएबल() से होना चाहिए।
• एमएस: एक वेरिएबल() से होना चाहिए।
• माँ: एक वेरिएबल() से होना चाहिए।
• एलआर: स्केलिंग कारक। एक अदिश राशि होनी चाहिए.
• आरएचओ: क्षय दर। एक अदिश राशि होनी चाहिए.
• एप्सिलॉन: रिज शब्द। एक अदिश राशि होनी चाहिए.
• ग्रेड: ग्रेडिएंट.
• सूचकांक: var, ms और mom के पहले आयाम में सूचकांकों का एक वेक्टर।

वैकल्पिक विशेषताएँ (देखें Attrs ):

• उपयोग_लॉकिंग: यदि True , तो संस्करण, एमएस और मॉम टेंसर का अद्यतनीकरण लॉक द्वारा सुरक्षित है; अन्यथा व्यवहार अपरिभाषित है, लेकिन कम विवाद प्रदर्शित कर सकता है।

रिटर्न:

• बनाया गया Operation

सार्वजनिक गुण

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
)