tf.contrib.linear_optimizer.SDCAOptimizer

Класс-обёртка для оптимизатора SDCA.

tf.contrib.linear_optimizer.SDCAOptimizer(
    example_id_column, num_loss_partitions=1, num_table_shards=None,
    symmetric_l1_regularization=0.0, symmetric_l2_regularization=1.0, adaptive=True,
    partitioner=None
)

В настоящее время обёртка предназначена для использования в качестве оптимизатора в tf.learn Estimator.

Пример использования:

real_feature_column = real_valued_column(...)
sparse_feature_column = sparse_column_with_hash_bucket(...)
sdca_optimizer = linear.SDCAOptimizer(example_id_column='example_id',
                                      num_loss_partitions=1,
                                      num_table_shards=1,
                                      symmetric_l2_regularization=2.0)
classifier = tf.contrib.learn.LinearClassifier(
    feature_columns=[real_feature_column, sparse_feature_column],
    weight_column_name=...,
    optimizer=sdca_optimizer)
classifier.fit(input_fn_train, steps=50)
classifier.evaluate(input_fn=input_fn_eval)

Здесь ожидается, что функции, переданные в train и evaluate, возвращают пару (dict, label_tensor), где dict имеет example_id_column в качестве key, значение которого является Tensor формы [batch_size] и типа string. num_loss_partitions определяет количество разделов глобальной функции потерь и должно быть установлено в (#concurrent train ops/per worker) x (#workers). Сходимость (глобальных) потерь гарантируется, если num_loss_partitions больше или равно указанному произведению. Более высокие значения для num_loss_partitions приводят к более медленной сходимости. Рекомендуемое значение для num_loss_partitions в tf.learn (в настоящее время используется по одному процессу на рабочий узел) равно количеству рабочих узлов, выполняющих шаги обучения. По умолчанию оно равно 1 (один компьютер). num_table_shards определяет количество фрагментов для внутренней таблицы состояния, обычно устанавливается в соответствии с количеством серверов параметров для больших наборов данных. Также можно указать объект partitioner для разбиения весов первоначальной задачи во время обучения (будет использоваться стратегия разбиения div).

Методы

get_name

Просмотреть исходный код

get_name()

get_train_step

Просмотреть исходный код

get_train_step(
    columns_to_variables, weight_column_name, loss_type, features, targets,
    global_step
)

Возвращает операцию обучения оптимизатора SdcaModel.