جریان تنسور:: عملیات:: SparseApplyFtrl

ورودی های مربوطه را در '*var' طبق طرح Ftrl-proximal به روز کنید.

خلاصه

یعنی برای ردیف هایی که grad داریم، var، accum و linear را به صورت زیر به روز می کنیم: $$accum_new = accum + grad * grad$$ $$linear += grad + (accum_{new}^{-lr_{power}} - accum^{-lr_{power}} / lr * var$$ $$quadratic = 1.0 / (accum_{new}^{lr_{power}} * lr) + 2 * l2$$ $$var = (sign(linear) * l1 - linear) / quadratic\ if\ |linear| > l1\ else\ 0.0$$ $$accum = accum_{new}$$

استدلال ها:

• scope: یک شی Scope
• var: باید از یک متغیر () باشد.
• accum: باید از یک متغیر () باشد.
• خطی: باید از یک متغیر () باشد.
• grad: گرادیان.
• شاخص ها: بردار شاخص ها در بعد اول var و accum.
• lr: ضریب مقیاس. باید اسکالر باشد.
• l1: تنظیم L1. باید اسکالر باشد.
• l2: تنظیم L2. باید اسکالر باشد.
• lr_power: ضریب مقیاس. باید اسکالر باشد.

ویژگی های اختیاری (به Attrs مراجعه کنید):

• use_locking: اگر True ، به‌روزرسانی تانسور var و accum توسط یک قفل محافظت می‌شود. در غیر این صورت رفتار تعریف نشده است، اما ممکن است اختلاف کمتری از خود نشان دهد.

برمی گرداند:

• Output : مانند "var".

صفات عمومی

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
)