tf.contrib.optimizer_v2.AdadeltaOptimizer

Оптимизатор, реализующий алгоритм Adadelta.

Унаследован от: OptimizerV2

tf.contrib.optimizer_v2.AdadeltaOptimizer(
    learning_rate=0.001, rho=0.95, epsilon=1e-08, use_locking=False, name='Adadelta'
)

См. М. Д. Зеиллера (pdf)

Аргументы
`learning_rate`	Вещественный гиперпараметр. Скорость обучения. Для точного соответствия исходной статье используйте 1.0.
`rho`	Вещественный гиперпараметр. Скорость затухания.
`epsilon`	Вещественный гиперпараметр. Постоянная ε, используемая для лучшего обусловливания обновления градиента.
`use_locking`	Если `True` использовать блокировки для операций обновления.
`name`	Необязательный префикс имени для операций, созданных при применении градиентов. По умолчанию "Adadelta".

Методы

`apply_gradients`

Просмотреть исходный код

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

Применение градиентов к переменным.

Это вторая часть minimize(). Возвращает операцию, применяющую градиенты.

Аргументы
`grads_and_vars`	Список пар (градиент, переменная), возвращаемых функцией `compute_gradients()`.
`global_step`	Необязательный параметр, который увеличивается на единицу после обновления переменных.
`name`	Необязательное имя возвращаемой операции. По умолчанию используется имя, переданное конструктору `Optimizer`.

Возвращаемое значение
Операция, которая применяет указанные градиенты. Если `global_step` не равно None, эта операция также увеличивает `global_step`.

Исключения
`TypeError`	Если `grads_and_vars` имеет неправильный формат.
`ValueError`	Если у ни одной из переменных нет градиента.

`compute_gradients`

Просмотреть исходный код

compute_gradients(
    loss, var_list=None, gate_gradients=GATE_OP, aggregation_method=None,
    grad_loss=None, stop_gradients=None, scale_loss_by_num_replicas=False
)

Вычисление градиентов 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 тензором, None или Tensor, IndexedSlices если для данной переменной нет градиента.

Аргументы
`loss`	Тензор, содержащий значение, которое нужно минимизировать, или вызываемая функция без аргументов, которая возвращает значение для минимизации. При включенном режиме выполнения Eager, это должна быть функция.
`var_list`	Необязательный список или кортеж `tf.Variable` для обновления, чтобы минимизировать `loss`. По умолчанию используется список переменных, собранных в графе под ключом `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`.
`grad_loss`	Необязательно. Тензор, содержащий градиент, вычисленный для `loss`.
`stop_gradients`	Необязательно. Тензор или список тензоров, через которые не нужно дифференцировать.
`scale_loss_by_num_replicas`	Необязательный boolean. Если True, масштабирует потерю вниз на количество реплик. УСТАРЕВШЕЕ и, как правило, больше не требуется.

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

Исключения
`TypeError`	Если `var_list` содержит что-либо помимо объектов `Variable` .
`ValueError`	Если некоторые аргументы недопустимы.
`RuntimeError`	Если вызов выполнен с включенным режимом eager execution и `loss` не является вызываемой функцией.

Совместимость с режимом Eager

При включенном режиме eager execution, gate_gradients, и aggregation_method 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 нужны по какой-либо причине.

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

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

Возвращаемое значение
Переменная `Variable` для слота, если она была создана, `None` в противном случае.

`get_slot_names`

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных Optimizer.

См. get_slot().

Возвращаемое значение
Список строк.

`minimize`

Просмотреть исходный код

minimize(
    loss, global_step=None, var_list=None, gate_gradients=GATE_OP,
    aggregation_method=None, name=None, grad_loss=None, stop_gradients=None,
    scale_loss_by_num_replicas=False
)

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 это список переменных, собранных в графе под ключом `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Способ управления вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP`, или `GATE_GRAPH`.
`aggregation_method`	Указывает метод объединения членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`name`	Необязательное имя возвращаемой операции.
`grad_loss`	Необязательно. `Tensor`, содержащий градиент, вычисленный для `loss`.
`stop_gradients`	Необязательно. Тензор или список тензоров, через которые не нужно дифференцировать.
`scale_loss_by_num_replicas`	Необязательный булев параметр. Если True, уменьшает потерю на количество реплик. УСТАРЕВШИЙ и, как правило, больше не нужен.

Возвращаемое значение
Операция, которая обновляет переменные в `var_list`. Если `global_step` не `None`, эта операция также увеличивает `global_step`.

Исключения
`ValueError`	Если некоторые переменные не являются объектами `Variable`.

Совместимость с Eager

При включенном режиме немедленного выполнения loss должна быть функцией Python, которая принимает элементы var_list в качестве аргументов и вычисляет значение, которое необходимо минимизировать. Если var_list равно None, то loss не должна принимать аргументов. Минимизация (и вычисление градиента) выполняется по отношению к элементам var_list если оно не равно None, иначе по отношению к любым обучаемым переменным, созданным во время выполнения функции loss. gate_gradients, aggregation_method, и grad_loss игнорируются при включенном режиме немедленного 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 диаграмме.

Возвращает
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/optimizer_v2/AdadeltaOptimizer