텐서플로우:: 작전:: ResourceApplyCenteredRMSProp

중심 RMSProp 알고리즘에 따라 '*var'를 업데이트합니다.

요약

중심이 있는 RMSProp 알고리즘은 (중심이 없는) 두 번째 모멘트를 사용하는 일반 RMSProp과 달리 정규화를 위해 중심이 있는 두 번째 모멘트(즉, 분산)의 추정치를 사용합니다. 이는 훈련에 도움이 되는 경우가 많지만 계산 및 메모리 측면에서 약간 더 비쌉니다.

이 알고리즘의 밀집 구현에서 mg, ms 및 mom은 grad가 0인 경우에도 업데이트되지만 이 희소 구현에서는 mg, ms 및 mom은 grad가 0인 동안 반복에서 업데이트되지 않습니다.

평균 제곱 = 붕괴 * 평균 제곱 + (1-감쇠) * 기울기 ** 2 평균 그라디언트 = 붕괴 * 평균 그라디언트 + (1-감쇠) * 기울기

델타 = 학습 속도 * 기울기 / sqrt(평균 제곱 + 엡실론 - 평균 그라디언트 ** 2)

mg <- rho * mg_{t-1} + (1-rho) * grad ms <- rho * ms_{t-1} + (1-rho) * grad * grad mom <- 모멘텀 * mom_{t-1 } + lr * grad / sqrt(ms - mg * mg + 엡실론) var <- var - mom

인수:

• 범위: 범위 개체
• var: Variable()에서 가져와야 합니다.
• mg: Variable()에서 가져와야 합니다.
• ms: Variable()에서 가져와야 합니다.
• mom: Variable()에서 가져와야 합니다.
• lr: 스케일링 팩터. 스칼라여야 합니다.
• rho: 감쇠율. 스칼라여야 합니다.
• 엡실론: 능선 항. 스칼라여야 합니다.
• grad: 그라데이션입니다.

선택적 속성( Attrs 참조):

• use_locking: True 인 경우 var, mg, ms 및 mom 텐서 업데이트는 잠금으로 보호됩니다. 그렇지 않으면 동작이 정의되지 않지만 경합이 덜 나타날 수 있습니다.

보고:

• 생성된 Operation

공개 속성

Operation operation

 ResourceApplyCenteredRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input mg,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ResourceApplyCenteredRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input mg,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ResourceApplyCenteredRMSProp::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)