tf.contrib.opt.AGNOptimizer

Обёртка, реализующая алгоритм Accumulated GradientNormalization.

Наследуется от: Optimizer

tf.contrib.opt.AGNOptimizer(
    optimizer, num_worker, custom_getter, communication_period=10, use_locking=True,
    name='AGNOptimizer'
)

Ссылка:

Accumulated Gradient Normalization: Joeri Hermans ACML2017 https://arxiv.org/abs/1710.02368

Аргументы
`optimizer`	Оптимизатор, может быть sgd/momentum/adam и т. д.
`num_worker`	Количество рабочих процессов
`custom_getter`	AGNCustomGetter
`communication_period`	Целочисленное значение, контролирующее частоту взаимодействия между каждым рабочим процессом и ps.
`use_locking`	Если True, использовать блокировки для операций обновления.
`name`	Необязательное префиксное имя для операций, созданных при применении градиентов. По умолчанию "AGNOptimizer".

Методы

`apply_gradients`

Просмотреть исходный код

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

Применить градиенты к глобальным переменным.

Это вторая часть minimize(). Возвращает Operation, применяющий градиенты.

Аргументы
`grads_and_vars`	Список пар (градиент, переменная), возвращаемый `compute_gradients()`.
`global_step`	Необязательный `Variable`, который увеличивается на единицу после обновления переменных.
`name`	Необязательное имя возвращаемой операции. По умолчанию имя, переданное в конструктор `Optimizer` .

Возвращаемые значения
`Operation` , который применяет указанные градиенты. Если `global_step` не равно None, эта операция также увеличивает `global_step`.

`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 вызываемая функция без аргументов, возвращающая значение для минимизации. При включённом режиме выполнения eager это должна быть вызываемая функция.
`var_list`	Необязательный список или кортеж объектов `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 объединения градиентов. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, пытаться расположить градиенты вместе с соответствующей операцией.
`grad_loss`	Необязательно. `Tensor` , содержащий градиент, вычисленный для `loss`.

Возвращаемые значения
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 недопустимы.
`RuntimeError`	Если вызов сделан при включённом режиме eager execution и `loss` не является вызываемой функцией.

Совместимость с режимом eager execution

При включённом режиме eager execution, gate_gradients, aggregation_method, и colocate_gradients_with_ops игнорируются.

`get_init_op`

Просмотреть исходный код

get_init_op(
    task_index
)

Возвращает операцию, позволяющую сделать все локальные переменные и локальные центровые переменные равными глобальным центровым переменным перед началом обучения.

`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 объектам Variable , если вам это нужно по какой-либо причине.

Используйте get_slot_names() , чтобы получить список имён слотов, созданных оптимизатором Optimizer.

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

Возвращаемые значения
`Variable` для слота, если он был создан, `None` в противном случае.

`get_slot_names`

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных оптимизатором Optimizer.

См. get_slot().

Возвращаемые значения
Список строк.

`make_session_run_hook`

Просмотреть исходный код

make_session_run_hook(
    is_chief, task_index
)

Создаёт обработчик для работы с операциями AGNOptimizerHook, такими как инициализация.

`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 объединяет 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`	`Tensor` , содержащий значение для минимизации.
`global_step`	Необязательный `Variable` , который увеличивается 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 объединения градиентов. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, пытаться расположить градиенты вместе с соответствующей операцией.
`name`	Необязательное имя возвращаемой операции.
`grad_loss`	Необязательно. `Tensor` , содержащий градиент, вычисленный для `loss`.

Возвращаемые значения
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 режимом eager execution

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

`variables`

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

Включает переменные-слоты 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/AGNOptimizer