tf.contrib.opt.PowerSignOptimizer

Оптимизатор, реализующий обновление PowerSign.

Наследуется от: Optimizer

tf.contrib.opt.PowerSignOptimizer(
    learning_rate=0.1, base=math.e, beta=0.9, sign_decay_fn=None, use_locking=False,
    name='PowerSignOptimizer'
)

См. [Bello и др., ICML2017], Поиск нейронных оптимизаторов с помощью RL.

Аргументы
`learning_rate`	скорость обучения, используемая при выполнении шага.
`base`	основание, используемое в оптимизаторе.
`beta`	затухание, используемое для вычисления скользящего среднего m.
`sign_decay_fn`	функция затухания, применяемая к значению sign(g) sign(m). Принимает global_step в качестве аргумента. См. sign_decay.py для примеров.
`use_locking`	Если True, использовать блокировки для операций обновления.
`name`	Необязательное имя для операций, созданных при применении градиентов. По умолчанию "PowerSignOptimizer".

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.

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

Возвращает
`Operation` для применения указанных градиентов. Если `global_step` не равно None, эта операция также увеличивает `global_step`.

Возможные 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(). 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.

Аргументы
`loss`	Tensor, содержащий значение для минимизации, или вызываемый объект без аргументов, возвращающий значение для минимизации. При включенном режиме выполнения Eager он должен быть вызываемым объектом.
`var_list`	Необязательный список или кортеж `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, попробуйте расположить градиенты совместно с соответствующей операцией.
`grad_loss`	Необязательно. `Tensor`, содержащий вычисленный градиент для `loss`.

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

Возможные исключения
`TypeError`	Если `var_list` содержит что-либо кроме `Variable` объектов.
`ValueError`	Если некоторые аргументы некорректны.
`RuntimeError`	Если вызвано с включенным режимом eager execution и `loss` не является вызываемым объектом.

Совместимость с Eager Execution

При включенном режиме eager execution аргументы 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 нужны по какой-либо причине.

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

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

Возвращает
`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().

Возвращает
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
)

Добавить 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 `Variable` объектов 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, попробуйте расположить градиенты совместно с соответствующей операцией.
`name`	Необязательное имя для возвращаемой операции.
`grad_loss`	Необязательно. `Tensor` содержащий вычисленный градиент для `loss`.

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

Возможные исключения
`ValueError`	Если некоторые переменные не являются `Variable` объектами.

Совместимость с Eager Execution

При включенном режиме eager execution loss должен быть Python-функцией без аргументов, вычисляющей значение для минимизации. Минимизация (и вычисление градиента) производится 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 eager execution.

`variables`

Просмотреть исходный код

variables()

Список переменных, кодирующих текущее состояние Optimizer.

Включает переменные слотов и дополнительные глобальные переменные, созданные оптимизатором в текущей стандартной графе.

class="responsive fixed orange">

Возвращает
Список переменных.

data-text="Переменные класса" id="class_variables" tabindex="0">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/PowerSignOptimizer