fluxo tensor:: ops:: ResourceApplyRMSProp

Atualize '*var' de acordo com o algoritmo RMSProp.

Resumo

Observe que na implementação densa desse algoritmo, ms e mom serão atualizados mesmo se o grad for zero, mas nesta implementação esparsa, ms e mom não serão atualizados em iterações durante as quais o grad for zero.

quadrado_médio = decaimento * quadrado_médio + (1-decaimento) * gradiente ** 2 Delta = taxa de aprendizagem * gradiente / sqrt (quadrado_médio + épsilon)

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

Argumentos:

• escopo: um objeto Escopo
• var: Deve ser de uma variável().
• ms: Deve ser de uma variável().
• mãe: Deve ser de uma variável().
• lr: Fator de escala. Deve ser um escalar.
• rho: Taxa de decaimento. Deve ser um escalar.
• épsilon: termo Ridge. Deve ser um escalar.
• graduação: O gradiente.

Atributos opcionais (veja Attrs ):

• use_locking: Se True , a atualização dos tensores var, ms e mom é protegida por um bloqueio; caso contrário, o comportamento será indefinido, mas poderá apresentar menos contenção.

Retorna:

• a Operation criada

Atributos públicos

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
)