tf.raw_ops.SdcaOptimizer

Распределённая версия оптимизатора стохастического двойственного метода координатного восхождения (SDCA) для

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительных сведений.

tf.compat.v1.raw_ops.SdcaOptimizer

tf.raw_ops.SdcaOptimizer(
    sparse_example_indices,
    sparse_feature_indices,
    sparse_feature_values,
    dense_features,
    example_weights,
    example_labels,
    sparse_indices,
    sparse_weights,
    dense_weights,
    example_state_data,
    loss_type,
    l1,
    l2,
    num_loss_partitions,
    num_inner_iterations,
    adaptative=True,
    name=None
)

линейных моделей с регуляризацией L1 + L2. Поскольку глобальная целевая функция оптимизации является строго выпуклой, оптимизатор оптимизирует двойственную целевую функцию на каждом шаге. Оптимизатор применяет каждое обновление по одному примеру за раз. Примеры выбираются равномерно, и оптимизатор не зависит от скорости обучения и обладает линейной скоростью сходимости.

Приближённый стохастический двойственный координатный спуск.
Shai Shalev-Shwartz, Tong Zhang. 2012

\[Целевая функция потерь = \sum f_{i} (wx_{i}) + (l2 / 2) * |w|^2 + l1 * |w|\]

Добавление против усреднения в распределённой оптимизации по двойственному первичному методу.
Chenxin Ma, Virginia Smith, Martin Jaggi, Michael I. Jordan, Peter Richtarik, Martin Takac. 2015

Стохастический двойственный метод координатного восхождения с адаптивными вероятностями.
Dominik Csiba, Zheng Qu, Peter Richtarik. 2015

Аргументы
`sparse_example_indices`	Список объектов типа `int64`, содержащих индексы примеров.
`sparse_feature_indices`	Список той же длины, что и `sparse_example_indices`, содержащий объекты типа `int64`, содержащих индексы признаков.
`sparse_feature_values`	Список объектов типа `float32`, содержащих значения признаков, связанные с каждой группой признаков.
`dense_features`	Список матриц типа `float32`, содержащих плотные значения признаков.
`example_weights`	Вектор типа `float32`, содержащий вес, связанный с каждым примером.
`example_labels`	Вектор типа `float32`, содержащий метку/цель, связанную с каждым примером.
`sparse_indices`	Список той же длины, что и `sparse_example_indices`, содержащий объекты типа `int64`, содержащих индексы, соответствующие весам в sparse_weights. Это поле можно опустить для плотного подхода.
`sparse_weights`	Список той же длины, что и `sparse_example_indices`, содержащий объекты типа `float32`, содержащий вес, связанный с каждой группой разреженных признаков.
`dense_weights`	Список той же длины, что и `dense_features`, содержащий объекты типа `float32`, содержащий вес, связанный с каждой группой плотных признаков.
`example_state_data`	Вектор типа `float32`, содержащий данные состояния примера.
`loss_type`	Тип первичной функции потерь из: `"logistic_loss", "squared_loss", "hinge_loss", "smooth_hinge_loss", "poisson_loss"`. В настоящее время SdcaSolver поддерживает логистические, квадратичные и пороговые потери.
`l1`	Сила регуляризации L1.
`l2`	Сила регуляризации L2.
`num_loss_partitions`	Число разбиений глобальной функции потерь.
`num_inner_iterations`	Количество итераций на мини-пакет.
`adaptative`	Необязательный флаг, по умолчанию `True`. Использовать ли адаптивный SDCA для внутреннего цикла.
`name`	Название операции (необязательно).

Возвращаемое значение
Кортеж объектов `Tensor` (out_example_state_data, out_delta_sparse_weights, out_delta_dense_weights).
`out_example_state_data`	Вектор типа `float32`.
`out_delta_sparse_weights`	Список объектов типа `float32` той же длины, что и `sparse_example_indices`.
`out_delta_dense_weights`	Список объектов типа `float32` той же длины, что и `dense_features`.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/raw_ops/SdcaOptimizer