tf.contrib.optimizer_v2.RMSPropOptimizer

Оптимизатор, реализующий алгоритм RMSProp.

Наследуется от: OptimizerV2

tf.contrib.optimizer_v2.RMSPropOptimizer(
    learning_rate, decay=0.9, momentum=0.0, epsilon=1e-10, use_locking=False,
    centered=False, name='RMSProp'
)

См. статью.

Аргументы
`learning_rate`	Вещественный гиперпараметр. Скорость обучения.
`decay`	Вещественный гиперпараметр. Коэффициент дисконтирования для истории/наступающего градиента.
`momentum`	Вещественный гиперпараметр.
`epsilon`	Вещественный гиперпараметр. Малое значение для инициализации переменной среднего квадрата градиента и предотвращения нулевого знаменателя.
`use_locking`	Если True, использовать блокировки для операции обновления.
`centered`	Если True, градиенты нормализуются по оценке дисперсии градиента; если False, по нецентрированному второму моменту. Установка в True может помочь при обучении, но немного дороже в плане вычислений и памяти. По умолчанию False.
`name`	Необязательный префикс имени для операций, созданных при применении градиентов. По умолчанию "RMSProp".

Методы

`apply_gradients`

Просмотреть исходный код

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

Применить градиенты к переменным.

Это вторая часть minimize(). Возвращает Operation, который применяет градиенты.

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

Возвращаемые значения
`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 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
)

Вычислить градиенты loss для переменных в var_list.

Это первая часть minimize(). 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`	Тензор, содержащий значение для минимизации, или вызываемый объект без аргументов, возвращающий значение для минимизации. При включенном режиме выполнения eager это должно быть callable.
`var_list`	Необязательный список или кортеж `tf.Variable` для обновления, чтобы минимизировать `loss`. По умолчанию — список переменных, собранных в графе под ключом `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Как управлять вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP`, или `GATE_GRAPH`.
`aggregation_method`	Указывает метод, используемый для объединения членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`grad_loss`	Необязательно. `Tensor` , содержащий вычисленный для `loss` градиент.
`stop_gradients`	Необязательно. Тензор или список тензоров, через которые не нужно дифференцировать.
`scale_loss_by_num_replicas`	Необязательный булевый параметр. Если true, масштабирует потерю вниз на число реплик. УСТАРЕВШИЙ и обычно больше не нужен.

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

Исключения
`TypeError`	Если `var_list` содержит что-то кроме объектов `Variable`.
`ValueError`	Если некоторые аргументы неверны.
`RuntimeError`	Если вызвана с включенным режимом eager выполнения и `loss` не является вызываемым объектом.

Совместимость с eager-режимом

Когда режим eager выполнения включен, 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 вам они по какой-то причине нужны.

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

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

Возвращаемые значения
`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 Optimizer.

См. get_slot().

Возвращаемые значения
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
)

Добавить операции для минимизации loss путем 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` для увеличения на единицу после обновления переменных.
`var_list`	Необязательный список или кортеж объектов `Variable` для обновления, чтобы минимизировать `loss`. По умолчанию — список переменных, собранных в графе под ключом `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Как управлять вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP`, или `GATE_GRAPH`.
`aggregation_method`	Указывает метод, используемый для объединения членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`name`	Необязательное имя возвращаемой операции.
`grad_loss`	Необязательно. `Tensor` , содержащий вычисленный для `loss` градиент.
`stop_gradients`	Необязательно. Тензор или список тензоров, через которые не нужно дифференцировать.
`scale_loss_by_num_replicas`	Необязательный булевый параметр. Если true, масштабирует потерю вниз на число реплик. УСТАРЕВШИЙ и обычно больше не нужен.

Возвращаемые значения
Операция, обновляющая 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-режимом

При включённом 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, loss не должна принимать никаких аргументов. Минимизация (и вычисление градиента) выполняется относительно элементов var_list , если они не равны None, в противном случае — относительно всех обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, и grad_loss игнорируются при включённом 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 текущем графике по умолчанию.

class="responsive fixed orange">

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/RMSPropOptimizer