tf.compat.v1.train.AdadeltaOptimizer

Оптимизатор, реализующий алгоритм Adadelta.

Наследуется от: Optimizer

tf.compat.v1.train.AdadeltaOptimizer(
    learning_rate=0.001,
    rho=0.95,
    epsilon=1e-08,
    use_locking=False,
    name='Adadelta'
)

tf.compat.v1.train.AdadeltaOptimizer совместим с режимом eager и tf.function. Когда включено выполнение eager, learning_rate, rho и epsilon могут каждый быть вызываемым объектом, не принимающим аргументов, и возвращающим фактическое используемое значение. Это может быть полезно для изменения этих значений при разных вызовах функций оптимизатора.

Для перехода к стилю TF2 используйте tf.keras.optimizers.Adadelta вместо этого. Обратите внимание, что из-за различий в реализации tf.keras.optimizers.Adadelta и tf.compat.v1.train.AdadeltaOptimizer могут быть небольшие различия в числовых значениях с плавающей точкой, даже если формула обновлений переменных все еще соответствует.

Структурное отображение на родной TF2

До:

optimizer = tf.compat.v1.train.AdadeltaOptimizer(
  learning_rate=learning_rate,
  rho=rho,
  epsilon=epsilon)

После:

optimizer = tf.keras.optimizers.Adadelta(
  learning_rate=learning_rate,
  rho=rho,
  epsilon=epsilon)

Как сопоставить аргументы

Пример использования до и после

До:

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.compat.v1.train.AdadeltaOptimizer(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

После:

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.keras.optimizers.Adadelta(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

Описание

Методы

apply_gradients

Просмотреть исходный код

apply_gradients(
    grads_and_vars,
    global_step=None,
    name=None,
    skip_gradients_aggregation=False
)

Применить градиенты к переменным.

Это вторая часть minimize(). Возвращает объект Operation, который применяет градиенты.

@compatibility(TF2)

Как сопоставить аргументы

compute_gradients

Просмотреть исходный код

compute_gradients(
    loss,
    var_list=None,
    gate_gradients=GATE_OP,
    aggregation_method=None,
    colocate_gradients_with_ops=False,
    grad_loss=None
)

Вычислить градиенты loss для переменных в var_list.

tf.keras.optimizers.Optimizer в TF2 не предоставляет метод compute_gradients, и вам следует использовать tf.GradientTape для получения градиентов:

@tf.function
def train step(inputs):
  batch_data, labels = inputs
  with tf.GradientTape() as tape:
    predictions = model(batch_data, training=True)
    loss = tf.keras.losses.CategoricalCrossentropy(
        reduction=tf.keras.losses.Reduction.NONE)(labels, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

Аргументы: loss: Тензор, содержащий значение для минимизации, или вызываемый объект, принимающий на вход пустой список аргументов и возвращающий значение для минимизации. При включенном eager execution он должен быть вызываемым. var_list: Необязательный список или кортеж tf.Variable для обновления, чтобы минимизировать loss. По умолчанию — список переменных, собранных в графе под ключом GraphKeys.TRAINABLE_VARIABLES. gate_gradients: Как выполнять управление вычислением градиентов. Может быть GATE_NONE, GATE_OP или GATE_GRAPH. aggregation_method: Указывает метод объединения членов градиента. Действительные значения определены в классе AggregationMethod. colocate_gradients_with_ops: Если `True`, попытаться разместить градиенты с соответствующей операцией. grad_loss: Необязательный. Тензор, содержащий градиент, вычисленный для loss.

Возвращает: Список пар (градиент, переменная). Переменная всегда присутствует, но градиент может быть None.

Возможные исключения: TypeError: Если var_list содержит что-либо помимо объектов Variable. ValueError: Если некоторые аргументы недействительны. RuntimeError: Если вызвана при включенном eager execution, а loss не является вызываемым объектом.

@compatibility(eager) При включенном eager execution аргументы gate_gradients, aggregation_method и colocate_gradients_with_ops игнорируются.

Описание

Это первая часть minimize(). Возвращает список пар (градиент, переменная), где «градиент» — это градиент для «переменной». Обратите внимание, что «градиент» может быть Tensor, IndexedSlices или None, если для данной переменной нет градиента.

get_name

Просмотреть исходный код

get_name()

get_slot

Просмотреть исходный код

get_slot(
    var, name
)

Возвращает слот с именем name, созданный для var оптимизатором.

Некоторые подклассы Optimizer используют дополнительные переменные. Например, Momentum и Adagrad используют переменные для накопления обновлений. Этот метод предоставляет доступ к этим объектам Variable, если вам они по какой-то причине нужны.

Используйте get_slot_names(), чтобы получить список имён слотов, созданных Optimizer.

get_slot_names

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных Optimizer.

См. get_slot().

minimize

Просмотреть исходный код

minimize(
    loss,
    global_step=None,
    var_list=None,
    gate_gradients=GATE_OP,
    aggregation_method=None,
    colocate_gradients_with_ops=False,
    name=None,
    grad_loss=None
)

Добавляет операции для минимизации loss путём обновления var_list.

Этот метод просто комбинирует вызовы compute_gradients() и apply_gradients(). Если вы хотите обработать градиент перед его применением, вызовите compute_gradients() и apply_gradients() явным образом вместо использования этой функции.

Когда условное выполнение включено, loss должна быть Python-функцией без аргументов, которая вычисляет значение, подлежащее минимизации. Минимизация (и вычисление градиента) выполняется относительно элементов var_list, если оно не равно None, в противном случае - относительно всех обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются, когда условное выполнение включено.

variables

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

Включает переменные слотов и дополнительные глобальные переменные, созданные оптимизатором в текущей стандартной графе.