tf.contrib.opt.AdaMaxOptimizer

Оптимизатор, реализующий алгоритм AdaMax.

Наследуется от: AdamOptimizer

tf.contrib.opt.AdaMaxOptimizer(
    learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False,
    name='AdaMax'
)

Adamax иногда превосходит adam, особенно в моделях с векторами встраивания, см. Kingma et al., 2014 (pdf).

Аргументы
`learning_rate`	Тензор или значение с плавающей точкой. Скорость обучения.
`beta1`	Вещественное значение или константа тензор с вещественным значением. Скорость экспоненциального затухания для оценок первого момента.
`beta2`	Вещественное значение или константа тензор с вещественным значением. Скорость экспоненциального затухания для экспоненциально взвешенной бесконечной нормы.
`epsilon`	Небольшая константа для обеспечения числовой устойчивости.
`use_locking`	Если True, используйте блокировки для операций обновления.
`name`	Необязательное имя для операций, создаваемых при применении градиентов. По умолчанию "AdaMax".

Методы

`apply_gradients`

Посмотреть исходный код

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

Применить градиенты к переменным.

Это вторая часть minimize(). Она возвращает Operation, который применяет градиенты.

Аргументы
`grads_and_vars`	Список пар (градиент, переменная), как возвращается `compute_gradients()`.
`global_step`	Необязательный `Variable`, увеличивающийся на единицу после обновления переменных.
`name`	Необязательное имя для возвращаемой операции. По умолчанию имя, переданное конструктору `Optimizer`.

Возвращает
`Operation`, применяющий указанные градиенты. Если `global_step` не равно None, эта операция также увеличивает `global_step`.

Исключения
`TypeError`	Если `grads_and_vars` имеет неправильный формат.
`ValueError`	Если ни у одной из переменных нет градиентов.
`RuntimeError`	Если следует использовать `_distributed_apply()` вместо этого.

`compute_gradients`

Посмотреть 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.

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

Аргументы
`loss`	Тензор, содержащий значение для минимизации, или вызываемая функция без аргументов, возвращающая значение для минимизации. В режиме выполнения Eager это должна быть вызываемая функция.
`var_list`	Необязательный список или кортеж `tf.Variable` для обновления, чтобы минимизировать `loss`. По умолчанию список переменных, собранных в графе по ключу `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Способ управления вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP` или `GATE_GRAPH`.
`aggregation_method`	Указывает метод комбинирования градиентных слагаемых. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попытаться расположить градиенты вместе с соответствующей операцией.
`grad_loss`	Необязательно. `Tensor`, содержащий градиент, вычисленный для `loss`.

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

Исключения
`TypeError`	Если `var_list` содержит что-либо кроме объектов `Variable`.
`ValueError`	Если некоторые аргументы неверны.
`RuntimeError`	Если вызвана при включенном режиме Eager execution, а `loss` не является вызываемой функцией.

Совместимость с Eager

При включенном режиме Eager execution, gate_gradients, aggregation_method и colocate_gradients_with_ops игнорируются.

`get_name`

Посмотреть исходный код

get_name()

`get_slot`

Посмотреть 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 в случае необходимости.

Используйте get_slot_names() для получения списка имён слотов, созданных оптимизатором Optimizer.

Аргументы
`var`	Переменная, переданная в `minimize()` или `apply_gradients()`.
`name`	Строка.

Возвращает
Слот `Variable` для заданного слота, если он был создан, `None` в противном случае.

`get_slot_names`

Посмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных оптимизатором Optimizer.

См. get_slot().

Возвращает
Список строк.

`minimize`

Посмотреть 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
)

Добавить операции для минимизации loss путем обновления var_list.

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

Аргументы
`loss`	Тензор, содержащий значение для минимизации.
`global_step`	Необязательный `Variable` для увеличения на единицу после обновления переменных.
`var_list`	Необязательный список или кортеж объектов `Variable` для обновления, чтобы минимизировать `loss`. По умолчанию список переменных, собранных в графе по ключу `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Способ управления вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP` или `GATE_GRAPH`.
`aggregation_method`	Указывает метод комбинирования градиентных слагаемых. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попытаться расположить градиенты вместе с соответствующей операцией.
`name`	Необязательное имя для возвращаемой операции.
`grad_loss`	Необязательно. `Tensor` , содержащий градиент, вычисленный для `loss`.

Возвращает
Операция обновления переменных в `var_list`. Если `global_step` не равно `None`, эта операция также увеличивает `global_step`.

Исключения
`ValueError`	Если некоторые переменные не являются объектами `Variable`.

Совместимость с Eager

В режиме Eager execution, loss должна быть Python-функцией без аргументов, вычисляющей значение для минимизации. Минимизация (и вычисление градиента) выполняется по элементам var_list, если оно не равно None, иначе — по всем обучаемым переменным, созданным во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются, когда режим Eager execution включен.

`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.

class="responsive fixed orange">

Возвращаемые значения
Список переменных.

Переменные класса

GATE_GRAPH = 2
GATE_NONE = 0
GATE_OP = 1

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/contrib/opt/AdaMaxOptimizer