tf.keras.optimizers.Adagrad

Оптимизатор, реализующий алгоритм Adagrad.

Наследуется от: Optimizer

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

tf.compat.v1.keras.optimizers.Adagrad, `tf.compat.v2.keras.optimizers.Adagrad`, `tf.compat.v2.optimizers.Adagrad`

tf.keras.optimizers.Adagrad(
    learning_rate=0.001, initial_accumulator_value=0.1, epsilon=1e-07,
    name='Adagrad', **kwargs
)

Adagrad — это оптимизатор с параметрически-специфическими скоростями обучения, которые адаптируются относительно частоты обновления параметра во время обучения. Чем больше обновлений получает параметр, тем меньше обновления.

Инициализация:

$$accum_{g_0} := \text{initial_accumulator_value}$$

Шаг обновления:

$$t := t + 1$$

$$accum_{g_t} := accum_{g_{t-1} } + g^2$$

$$\theta_t := \theta_{t-1} - lr * g / (\sqrt{accum_{g_t} } + \epsilon)$$

Ссылки:

Аргументы
`learning_rate`	Значение типа `Tensor` или число с плавающей точкой. Скорость обучения.
`initial_accumulator_value`	Значение с плавающей точкой. Начальное значение для аккумуляторов, должно быть неотрицательным.
`epsilon`	Малое значение с плавающей точкой для предотвращения нулевого знаменателя.
`name`	Необязательное префиксное имя для операций, созданных при применении градиентов. По умолчанию "Adagrad".
`**kwargs`	дополнительные ключевые аргументы. Разрешено быть {`clipnorm`, `clipvalue`, `lr`, `decay`}. `clipnorm` — это ограничение градиентов по норме; `clipvalue` — это ограничение градиентов по значению, `decay` включено для обратной совместимости, чтобы разрешить обратное обратное затухание скорости обучения. `lr` включено для обратной совместимости, рекомендуется использовать `learning_rate` вместо этого.

Исключения
`ValueError`	Если значение `initial_accumulator_value` или `epsilon` недопустимо.

Атрибуты
`iterations`	Переменная. Количество шагов обучения, которые выполнил этот оптимизатор.
`weights`	Возвращает переменные этого оптимизатора в порядке их создания.

Методы

`add_slot`

Просмотреть исходный код

add_slot(
    var, slot_name, initializer='zeros'
)

Добавляет новую переменную слота для var.

`add_weight`

Просмотреть исходный код

add_weight(
    name, shape, dtype=None, initializer='zeros', trainable=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.VariableAggregation.NONE
)

`apply_gradients`

Просмотреть исходный код

apply_gradients(
    grads_and_vars, name=None
)

Применяет градиенты к переменным.

Это вторая часть minimize(). Она возвращает операцию, которая применяет градиенты.

Аргументы
`grads_and_vars`	Список пар (градиент, переменная).
`name`	Необязательное имя возвращаемой операции. По умолчанию, имя переданное конструктору `Optimizer`.

Возвращает
Операция, применяющая заданные градиенты. Значение `iterations` автоматически увеличивается на 1.

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

`from_config`

Просмотреть исходный код

@classmethod
from_config(
    config, custom_objects=None
)

Создает оптимизатор из его конфигурации.

Этот метод является обратным к get_config, способным восстановить тот же оптимизатор из словаря конфигурации.

Аргументы
`config`	Словарь Python, обычно результат вызова get_config.
`custom_objects`	Словарь Python, сопоставляющий имена с дополнительными Python-объектами, используемыми для создания этого оптимизатора, например, функцией, используемой для гиперпараметра.

Возвращает
Экземпляр оптимизатора.

`get_config`

Просмотреть исходный код

get_config()

Возвращает конфигурацию оптимизатора.

Конфигурация оптимизатора — это словарь Python (сериализуемый), содержащий конфигурацию оптимизатора. Этот же оптимизатор можно повторно создать позже (без сохраненных состояний) из этой конфигурации.

Возвращает
Словарь Python.

`get_gradients`

Просмотреть исходный код

get_gradients(
    loss, params
)

Возвращает градиенты loss по отношению к params.

Аргументы
`loss`	Тензор потерь.
`params`	Список переменных.

Возвращает
Список тензоров градиента.

Исключения
`ValueError`	В случае, если какой-либо градиент не может быть вычислен (например, если функция градиента не реализована).

`get_slot`

Просмотреть исходный код

get_slot(
    var, slot_name
)

`get_slot_names`

Просмотреть исходный код

get_slot_names()

Список имён слотов этого оптимизатора.

`get_updates`

Просмотреть исходный код

get_updates(
    loss, params
)

`get_weights`

Просмотреть исходный код

get_weights()

`minimize`

Просмотреть исходный код

minimize(
    loss, var_list, grad_loss=None, name=None
)

Минимизирует loss путём обновления var_list.

Этот метод просто вычисляет градиент с помощью tf.GradientTape и вызывает apply_gradients(). Если вы хотите обработать градиент перед применением, то вызовите tf.GradientTape и apply_gradients() явно вместо использования этой функции.

Аргументы
`loss`	Функция без аргументов, возвращающая значение для минимизации.
`var_list`	список или кортеж объектов `Variable` для обновления, чтобы минимизировать `loss`, или функция, возвращающая список или кортеж объектов `Variable` . Используйте функцию, когда список переменных был бы неполным перед `minimize`, так как переменные создаются при первом вызове `loss` .
`grad_loss`	Необязательно. Объект `Tensor`, содержащий градиент, вычисленный для `loss`.
`name`	Необязательное имя возвращаемой операции.

Возвращает
Операцию, которая обновляет переменные в `var_list`. Если `global_step` не было `None`, эта операция также увеличивает `global_step`.

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

`set_weights`

Посмотреть исходный код

set_weights(
    weights
)

`variables`

Посмотреть исходный код

variables()

Возвращает переменные этого оптимизатора в порядке их создания.

© 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/keras/optimizers/Adagrad