tf.contrib.optimizer_v2.AdamOptimizer

Оптимизатор, реализующий алгоритм Adam.

Наследуется от: OptimizerV2

tf.contrib.optimizer_v2.AdamOptimizer(
    learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False,
    name='Adam'
)

См. Kingma et al., 2014 (pdf).

Аргументы
`learning_rate`	Вещественный гиперпараметр. Скорость обучения.
`beta1`	Вещественный гиперпараметр. Скорость экспоненциального затухания для оценок первого момента.
`beta2`	Вещественный гиперпараметр. Скорость экспоненциального затухания для оценок второго момента.
`epsilon`	Вещественный гиперпараметр. Эта величина ε — это "epsilon hat" в статье Kingma и Ba (в формуле перед разделом 2.1), а не ε в алгоритме 1 статьи.
`use_locking`	Если True, использовать блокировки для операций обновления.
`name`	Необязательное имя для операций, создаваемых при применении градиентов. По умолчанию — "Adam".

Методы

`apply_gradients`

Посмотреть 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` для инкремента на единицу после обновления переменных.
`name`	Необязательное имя для возвращаемой операции. По умолчанию — имя, переданное конструктору `Optimizer`.

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

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

`compute_gradients`

Посмотреть 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
)

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 без аргументов, возвращающий значение для минимизации. При включенном режиме выполнения eager, должен быть вызываемым.
`var_list`	Необязательный список или кортеж `tf.Variable` для обновления для минимизации `loss`. По умолчанию — 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 комбинирования членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`grad_loss`	Необязательно. Tensor, хранящий вычисленный градиент для `loss`.
`stop_gradients`	Необязательно. Tensor или список тензоров, по которым не следует производить дифференцирование.
`scale_loss_by_num_replicas`	Необязательный булевый параметр. Если True, уменьшает потерю на число реплик. УСТАРЕЛО и, как правило, больше не нужно.

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

Исключения
`TypeError`	Если `var_list` содержит что-либо кроме `Variable` объектов.
`ValueError`	Если некоторые аргументы недопустимы.
`RuntimeError`	Если вызов с включенным eager-режимом, а `loss` не вызываемый.

Совместимость с Eager

При включенном режиме eager выполнения gate_gradients, и aggregation_method игнорируются.

`get_name`

Посмотреть исходный код

get_name()

`get_slot`

Посмотреть 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 по каким-то причинам нужны.

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

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

Возвращаемое значение
`Variable` для слота, если он был создан, `None` в противном случае.

`get_slot_names`

Посмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных Optimizer.

См. get_slot().

Возвращаемое значение
Список строк.

`minimize`

Посмотреть 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
)

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 параметр для инкремента на единицу после обновления переменных.
`var_list`	Необязательный список или кортеж объектов `Variable` для обновления для минимизации `loss`. По умолчанию — 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 комбинирования членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`name`	Необязательное имя для возвращаемой операции.
`grad_loss`	Необязательно. Tensor, хранящий вычисленный градиент для `loss`.
`stop_gradients`	Необязательно. Tensor или список тензоров, по которым не следует производить дифференцирование.
`scale_loss_by_num_replicas`	Необязательный булевый параметр. Если True, уменьшает потерю на число реплик. УСТАРЕЛО и, как правило, больше не нужно.

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

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

Совместимость с Eager

При включенной ускореной обработке, loss должна быть функцией Python, которая принимает элементы var_list в качестве аргументов и вычисляет значение, которое необходимо минимизировать. Если var_list равно None, loss не должна принимать никаких аргументов. Минимизация (и вычисление градиента) выполняется относительно элементов var_list если они не None, иначе относительно любых обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, и grad_loss игнорируются при включенной ускореной обработке.

`variables`

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

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

class="responsive fixed orange">

Возвращаемое значение
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/AdamOptimizer