جریان تنسور:: عملیات:: ApplyAdagrad

#include <training_ops.h>

"*var" را طبق طرح adagrad به روز کنید.

خلاصه

accum += grad * grad var -= lr * grad * (1 / sqrt(accum))

استدلال ها:

  • scope: یک شی Scope
  • var: باید از یک متغیر () باشد.
  • accum: باید از یک متغیر () باشد.
  • lr: ضریب مقیاس. باید اسکالر باشد.
  • grad: گرادیان.

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:

سازندگان و ویرانگرها

ApplyAdagrad (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input accum, :: tensorflow::Input lr, :: tensorflow::Input grad)
ApplyAdagrad (const :: tensorflow::Scope & scope, :: tensorflow::Input var, :: tensorflow::Input accum, :: tensorflow::Input lr, :: tensorflow::Input grad, const ApplyAdagrad::Attrs & attrs)

صفات عمومی

operation
out

توابع عمومی

node () const
::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

توابع استاتیک عمومی

UpdateSlots (bool x)
UseLocking (bool x)

سازه ها

tensorflow:: ops:: ApplyAdagrad:: Attrs

تنظیم کننده های ویژگی اختیاری برای ApplyAdagrad .

صفات عمومی

عملیات 

Operation operation

بیرون 

::tensorflow::Output out

توابع عمومی

ApplyAdagrad 

 ApplyAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input grad
)

ApplyAdagrad 

 ApplyAdagrad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input lr,
  ::tensorflow::Input grad,
  const ApplyAdagrad::Attrs & attrs
)

گره 

::tensorflow::Node * node() const

عملگر::tensorflow::ورودی 

 operator::tensorflow::Input() const

عملگر::tensorflow::خروجی 

 operator::tensorflow::Output() const

توابع استاتیک عمومی

به روز رسانی اسلات 

Attrs UpdateSlots(
  bool x
)

استفاده از قفل 

Attrs UseLocking(
  bool x
)