przepływ tensorowy:: ops:: Zastosuj zasobyAdadelta

Zaktualizuj „*var” zgodnie ze schematem adadelta.

Streszczenie

accum = rho() * accum + (1 - rho()) * grad.square(); aktualizacja = (update_accum + epsilon).sqrt() * (accum + epsilon()).rsqrt() * grad; update_accum = rho() * update_accum + (1 - rho()) * update.square(); var –= aktualizacja;

Argumenty:

• zakres: Obiekt Scope
• var: Powinien pochodzić ze zmiennej ().
• accum: Powinien pochodzić ze zmiennej ().
• accum_update: Powinno pochodzić ze zmiennej ().
• lr: Współczynnik skalowania. Musi być skalarem.
• rho: współczynnik rozpadu. Musi być skalarem.
• epsilon: Stały współczynnik. Musi być skalarem.
• grad: gradient.

Opcjonalne atrybuty (patrz Attrs ):

• use_locking: Jeśli True, aktualizacja tensorów var, accum i update_accum będzie chroniona blokadą; w przeciwnym razie zachowanie jest niezdefiniowane, ale może wykazywać mniejszą rywalizację.

Zwroty:

• utworzoną Operation

Atrybuty publiczne

Operation operation

 ResourceApplyAdadelta(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input accum_update,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ResourceApplyAdadelta(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input accum_update,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ResourceApplyAdadelta::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)