tf.compat.v1.train.FtrlOptimizer

Оптимизатор, реализующий алгоритм FTRL.

Наследует: Optimizer

tf.compat.v1.train.FtrlOptimizer(
    learning_rate,
    learning_rate_power=-0.5,
    initial_accumulator_value=0.1,
    l1_regularization_strength=0.0,
    l2_regularization_strength=0.0,
    use_locking=False,
    name='Ftrl',
    accum_name=None,
    linear_name=None,
    l2_shrinkage_regularization_strength=0.0,
    beta=None
)

Эта версия поддерживает как онлайн-регуляризацию L2 (McMahan et al., 2013), так и регуляризацию L2 со сжатием, при которой к функции потерь добавляется штраф L2.

Методы

apply_gradients

Просмотреть исходный код

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

Применяет градиенты к переменным.

Это вторая часть minimize(). Возвращает Operation, применяющий градиенты.

@compatibility(TF2)

Как сопоставлять 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
)

Вычисляет градиенты loss для переменных в var_list.

tf.keras.optimizers.Optimizer в TF2 не предоставляет метода compute_gradients, поэтому для получения градиентов следует использовать tf.GradientTape:

@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 минимизируемое значение, или вызываемый объект без аргументов, возвращающий минимизируемое значение. При включенном eager-режиме это должен быть вызываемый объект. var_list: необязательный список или кортеж объектов tf.Variable, которые нужно обновить для минимизации loss. По умолчанию используется список переменных, собранных в графе под ключом GraphKeys.TRAINABLE_VARIABLES. gate_gradients: способ управления вычислением градиентов. Может принимать значение GATE_NONE, GATE_OP или GATE_GRAPH. aggregation_method: указывает метод объединения членов градиента. Допустимые значения определены в классе AggregationMethod. colocate_gradients_with_ops: если значение True, попытаться разместить градиенты совместно с соответствующей операцией. grad_loss: необязательный Tensor, содержащий градиент, вычисленный для loss.

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

Вызывает исключения: TypeError: если var_list содержит что-либо, кроме объектов Variable. ValueError: если некоторые аргументы недопустимы. RuntimeError: если метод вызван при включенном eager-режиме и loss не является вызываемым объектом.

@compatibility(eager) При включенном eager-режиме игнорируются gate_gradients, aggregation_method и colocate_gradients_with_ops.

Описание

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

get_name

Просмотреть исходный код

get_name()

get_slot

Просмотреть исходный код

get_slot(
    var, name
)

Возвращает слот с именем name, созданный оптимизатором для var.

Некоторые подклассы Optimizer используют дополнительные переменные. Например, Momentum и Adagrad используют переменные для накопления обновлений. Этот метод предоставляет доступ к таким объектам Variable, если они вам зачем-либо понадобятся.

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

get_slot_names

Просмотреть исходный код

get_slot_names()

Возвращает список имен 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 путем обновления var_list.

Этот метод просто объединяет вызовы compute_gradients() и apply_gradients(). Если перед применением градиента требуется обработать его, вызывайте compute_gradients() и apply_gradients() явно, а не используйте эту функцию.

При включенном eager-режиме loss должна быть функцией Python без аргументов, вычисляющей минимизируемое значение. Минимизация (и вычисление градиента) выполняется относительно элементов var_list, если он не равен None, иначе — относительно всех обучаемых переменных, созданных во время выполнения функции loss. При включенном eager-режиме игнорируются gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss.

variables

Просмотреть исходный код

variables()

Список переменных, кодирующих текущее состояние Optimizer.

Включает переменные слотов и дополнительные глобальные переменные, созданные оптимизатором в текущем графе по умолчанию.