tensorflow::ops::ApplyRMSProp

#include <training_ops.h>

Обновление '*var' в соответствии с алгоритмом RMSProp.

Краткое описание

Обратите внимание, что в плотной реализации этого алгоритма ms и mom будут обновляться даже если grad равен нулю, но в этой разреженной реализации ms и mom не будут обновляться в итерациях, в которых grad равен нулю.

mean_square = decay * mean_square + (1-decay) * gradient ** 2 Delta = learning_rate * gradient / sqrt(mean_square + epsilon)

ms <- rho * ms_{t-1} + (1-rho) * grad * grad mom <- momentum * mom_{t-1} + lr * grad / sqrt(ms + epsilon) var <- var - mom

Аргументы:

• scope: Объект Scope
• var: Должен быть получен из Variable().
• ms: Должен быть получен из Variable().
• mom: Должен быть получен из Variable().
• lr: Коэффициент масштабирования. Должен быть скаляром.
• rho: Скорость затухания. Должен быть скаляром.
• epsilon: Добавочный член. Должен быть скаляром.
• grad: Градиент.

Дополнительные атрибуты (см. Attrs):

• use_locking: Если True, обновление тензоров var, ms и mom защищено блокировкой; в противном случае поведение не определено, но может характеризоваться меньшей конкуренцией.

Возвращает:

• Output: То же, что и "var".

Публичные атрибуты

Operation operation

::tensorflow::Output out

Публичные функции

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad
)

 ApplyRMSProp(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input ms,
  ::tensorflow::Input mom,
  ::tensorflow::Input lr,
  ::tensorflow::Input rho,
  ::tensorflow::Input momentum,
  ::tensorflow::Input epsilon,
  ::tensorflow::Input grad,
  const ApplyRMSProp::Attrs & attrs
)

::tensorflow::Node * node() const 

operator::tensorflow::Input() const 

operator::tensorflow::Output() const 

Публичные статические функции

Attrs UseLocking(
  bool x
)