tf.contrib.opt.AdamGSOptimizer

Оптимизатор, реализующий алгоритм Adam.

Наследуется от: Optimizer

tf.contrib.opt.AdamGSOptimizer(
    global_step=0, learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08,
    use_locking=False, name='Adam'
)

См. Kingma et al., 2014 (pdf).

Аргументы
`global_step`	tensorflow переменная, указывающая на шаг.
`learning_rate`	Тензор или значение с плавающей точкой. Скорость обучения.
`beta1`	Значение с плавающей точкой или постоянный тензор с плавающей точкой. Скорость экспоненциального затухания для оценок первого момента.
`beta2`	Значение с плавающей точкой или постоянный тензор с плавающей точкой. Скорость экспоненциального затухания для оценок второго момента.
`epsilon`	Небольшая константа для обеспечения числовой устойчивости. Эта epsilon — это «epsilon hat» в статье Kingma и Ba (в формуле перед разделом 2.1), а не epsilon в алгоритме 1 статьи.
`use_locking`	Если True, использовать блокировки для операций обновления.
`name`	Необязательное имя для операций, создаваемых при применении градиентов. По умолчанию — "Adam". @compatibility(eager) Когда включено выполнение Eager, `learning_rate`, `beta1`, `beta2`, и `epsilon` могут быть вызываемыми объектами, которые не принимают аргументы и возвращают фактическое используемое значение. Это может быть полезно для изменения этих значений в разных вызовах функций оптимизатора. @end_compatibility

Методы

`apply_gradients`

Просмотреть исходный код

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

Применить градиенты к переменным.

Это вторая часть minimize(). Возвращает операцию, которая применяет градиенты.

Аргументы
`grads_and_vars`	Список пар (градиент, переменная), как возвращается `compute_gradients()`.
`global_step`	Необязательный параметр, который увеличивается на единицу после обновления переменных.
`name`	Необязательное имя для возвращаемой операции. По умолчанию соответствует имени, переданному конструктору `Optimizer`.

Возвращаемое значение
Операция, применяющая 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 градиента.
`RuntimeError`	Если следует использовать `_distributed_apply()` вместо этого.

`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
)

Вычислить градиенты loss для переменных в var_list.

Это первая часть minimize(). 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 вызываемый объект, принимающий на вход не аргументы, возвращающий значение для минимизации. При включенном режиме Eager Execution он должен быть вызываемым объектом.
`var_list`	Необязательный список или кортеж `tf.Variable` для обновления для минимизации `loss`. По умолчанию — список переменных, собранных в графике под ключом `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Способ управления вычислением градиентов. Может быть `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 True, попытаться расположить градиенты вместе с соответствующей операцией.
`grad_loss`	Необязательно. Хранилище, содержащее градиент, вычисленный для `loss`.

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

Исключения
`TypeError`	Если `var_list` содержит что-либо помимо объектов `Variable`.
`ValueError`	Если некоторые аргументы недопустимы.
`RuntimeError`	Если вызов выполнен с включенным режимом Eager Execution, а `loss` не является вызываемым объектом.

Совместимость с Eager Execution

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

`get_name`

Просмотреть исходный код

get_name()

`get_slot`

Просмотреть 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 Variable объектам, если вам они нужны по какой-либо причине.

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

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

Возвращаемое значение
`Variable` для слота, если он был создан, `None` в противном случае.

`get_slot_names`

Просмотреть исходный код

get_slot_names()

Возвращает список имен слотов, созданных Optimizer.

См. get_slot().

Возвращаемое значение
Список строк.

`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 путём обновления var_list.

Этот метод просто комбинирует вызовы compute_gradients() и apply_gradients(). Если вы хотите обработать градиент перед его применением, вызовите compute_gradients() и apply_gradients() явно вместо использования этой функции.

Аргументы
`loss`	Объект `Tensor`, содержащий значение для минимизации.
`global_step`	Необязательный `Variable` для инкремента на единицу после обновления переменных.
`var_list`	Необязательный список или кортеж объектов `Variable` для обновления, чтобы минимизировать `loss`. По умолчанию используется 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 терминов градиента. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попытаться разместить градиенты вместе с соответствующей операцией.
`name`	Необязательное имя для возвращаемой операции.
`grad_loss`	Необязательно. `Tensor`, содержащий градиент, вычисленный для `loss`.

Возвращаемое значение
Операция, обновляющая переменные в `var_list`. Если `global_step` не было `None`, эта операция также увеличивает `global_step`.

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

Совместимость с Eager

При включенном режиме немедленного выполнения loss должно быть функцией Python, которая не принимает аргументов и вычисляет значение, которое нужно минимизировать. Минимизация (и вычисление градиента) выполняется относительно элементов var_list , если оно не равно None, иначе относительно любых обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются при включенном режиме немедленного выполнения.

`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">

Возвращаемое значение
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/AdamGSOptimizer