جریان تنسور:: عملیات:: ResourceApplyAdamWithAmsgrad

bookmark_border با مجموعه‌ها، منظم بمانید ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.

"*var" را طبق الگوریتم Adam به روز کنید.

خلاصه

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

استدلال ها:

• scope: یک شی Scope
• var: باید از یک متغیر () باشد.
• m: باید از یک متغیر () باشد.
• v: باید از یک متغیر () باشد.
• vhat: باید از یک متغیر () باشد.
• beta1_power: باید اسکالر باشد.
• beta2_power: باید اسکالر باشد.
• lr: ضریب مقیاس. باید اسکالر باشد.
• beta1: عامل حرکت. باید اسکالر باشد.
• بتا2: عامل حرکت. باید اسکالر باشد.
• اپسیلون: اصطلاح ریج. باید اسکالر باشد.
• grad: گرادیان.

ویژگی های اختیاری (به Attrs مراجعه کنید):

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

برمی گرداند:

• Operation ایجاد شده

صفات عمومی

Operation operation

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

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

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)