tf.contrib.opt.MovingAverageOptimizer

Оптимизатор, вычисляющий скользящее среднее значение переменных.

Наследуется от: Optimizer

tf.contrib.opt.MovingAverageOptimizer(
    opt, average_decay=0.9999, num_updates=None, sequential_update=True
)

Эмпирически было установлено, что использование скользящего среднего значения обученных параметров глубокой сети лучше, чем использование её обученных параметров напрямую. Этот оптимизатор позволяет вычислить это скользящее среднее и поменять переменные во время сохранения, чтобы любой код вне цикла обучения по умолчанию использовал усреднённые значения вместо оригинальных.

Пример использования:

// Encapsulate your favorite optimizer (here the momentum one)
// inside the MovingAverageOptimizer.
opt = tf.compat.v1.train.MomentumOptimizer(learning_rate, FLAGS.momentum)
opt = tf.contrib.opt.MovingAverageOptimizer(opt)
// Then create your model and all its variables.
model = build_model()
// Add the training op that optimizes using opt.
// This needs to be called before swapping_saver().
opt.minimize(cost, var_list)
// Then create your saver like this:
saver = opt.swapping_saver()
// Pass it to your training loop.
    slim.learning.train(
        model,
        ...
        saver=saver)

Обратите внимание, что для оценки следует использовать обычный механизм сохранения, а не swapping_saver().

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(
    *args, **kwargs
)

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.

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 они вам необходимы.

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

get_slot_names

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных 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 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.

Совместимость с Eager execution

При включенном режиме жадного выполнения loss должно 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 включенном режиме жадного выполнения.

swapping_saver

Просмотреть исходный код

swapping_saver(
    var_list=None, name='swapping_saver', **kwargs
)

Создать сохраняющий объект, меняющий местами скользящие средние и переменные.

Этот объект сохранения следует использовать во время обучения. Он сохранит скользящие средние обученных параметров под исходными именами параметров. Для оценки или вывода вы должны использовать стандартный объект сохранения, и он автоматически будет использовать скользящие средние для обученной переменной.

Вы должны вызвать эту функцию после того, как все переменные будут созданы и после вызова Optimizer.minimize().

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.

Переменные класса

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