tf.contrib.opt.ExternalOptimizerInterface

Базовый класс для интерфейсов с внешними алгоритмами оптимизации.

tf.contrib.opt.ExternalOptimizerInterface(
    loss, var_list=None, equalities=None, inequalities=None, var_to_bounds=None,
    **optimizer_kwargs
)

Подклассируйте этот класс и реализуйте _minimize для обертывания нового алгоритма оптимизации.

ExternalOptimizerInterface не следует создавать напрямую; используйте, например, ScipyOptimizerInterface.

Аргументы
`loss`	Скалярная `Tensor`, подлежащая минимизации.
`var_list`	Необязательный список объектов `Variable`, которые необходимо обновить для минимизации `loss`. По умолчанию список переменных, собранных в графе под ключом `GraphKeys.TRAINABLE_VARIABLES`.
`equalities`	Необязательный список скалярных `Tensor` ограничений равенства, которые должны быть равны нулю.
`inequalities`	Необязательный список скалярных `Tensor` ограничений неравенства, которые должны быть неотрицательными.
`var_to_bounds`	Необязательный словарь, где каждый ключ — это оптимизационная `Variable`, а каждое соответствующее значение — кортеж длиной 2 с `(low, high)` ограничениями. Несмотря на то, что наложение такого простого ограничения можно выполнить с помощью аргумента `inequalities`, не все алгоритмы оптимизации поддерживают общие ограничения неравенства, например, L-BFGS-B. И `low`, и `high` могут быть числами или чем-либо, преобразуемым в массив NumPy, который можно транслировать к форме `var` (используя `np.broadcast_to`). Для обозначения отсутствия ограничения используйте `None` (или `+/- np.infty`). Например, если `var` является матрицей 2x3, то можно предоставить любые соответствующие `bounds`: `(0, np.infty)`: Каждый элемент `var` должен быть положительным. `(-np.infty, [1, 2])`: Первый столбец меньше 1, второй столбец меньше 2. `(-np.infty, [[1], [2], [3]])`: Первая строка меньше 1, вторая строка меньше 2 и т. д. `(-np.infty, [[1, 2, 3], [4, 5, 6]])`: Элемент `var[0, 0]` меньше 1, `var[0, 1]` меньше 2 и т. д.
`**optimizer_kwargs`	Другие аргументы ключевых слов, специфичные для подкласса.

Методы

`minimize`

Посмотреть исходный код

minimize(
    session=None, feed_dict=None, fetches=None, step_callback=None,
    loss_callback=None, **run_kwargs
)

Минимизировать скалярную Tensor.

Переменные, подлежащие оптимизации, обновляются непосредственно по окончании оптимизации.

Обратите внимание, что этот метод не просто возвращает минимизацию Op, в отличие от Optimizer.minimize(); вместо этого он фактически выполняет минимизацию, выполняя команды для управления Session.

Аргументы
`session`	Экземпляр `Session` .
`feed_dict`	Словарь feed для передачи в вызовы `session.run`.
`fetches`	Список `Tensor` для извлечения и передачи в `loss_callback` в качестве позиционных аргументов.
`step_callback`	Функция, которая вызывается на каждом шаге оптимизации; аргументами являются текущие значения всех переменных оптимизации, сглаженные в один вектор.
`loss_callback`	Функция, которая вызывается каждый раз при вычислении потери и градиентов, с вычисленными значениями, предоставленными в качестве позиционных аргументов.
`**run_kwargs`	Параметры kwargs для передачи в `session.run`.

© 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/ExternalOptimizerInterface