tf.contrib.opt.LazyAdamOptimizer

Вариант оптимизатора Adam, который более эффективно обрабатывает разреженные обновления.

Наследуется от: AdamOptimizer

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

Оригинальный алгоритм Adam поддерживает два накопителя скользящего среднего для каждой обучаемой переменной; накопители обновляются на каждой итерации. Этот класс обеспечивает более ленивую обработку обновлений градиента для разреженных переменных. Он обновляет накопители скользящего среднего только для индексов разреженных переменных, которые появляются в текущей пачке, а не для всех индексов. По сравнению с оригинальным оптимизатором Adam, он может обеспечить существенное улучшение производительности обучения модели для некоторых применений. Однако он обеспечивает немного другие семантику, чем оригинальный алгоритм Adam, и может привести к другим эмпирическим результатам.

Методы

apply_gradients

Просмотреть 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.

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(). Она возвращает список пар (градиент, переменная), где «градиент» — это градиент для «переменной». Обратите внимание, что «градиент» может быть Tensor, IndexedSlices, или None, если для данной переменной нет градиента.

Совместимость с Eager Execution

Когда включено 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 по какой-то причине они вам нужны.

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

get_slot_names

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных оптимизатором Optimizer.

См. get_slot().

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 до его применения, вызовите compute_gradients() и apply_gradients() явно вместо использования этой функции.

Жадный режим совместимости

Когда жадный режим выполнения включен, 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, в противном случае — относительно любых обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются при включенном жадном режиме 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 графической среде.

Переменные класса

• GATE_GRAPH = 2
• GATE_NONE = 0
• GATE_OP = 1