tf.keras.optimizers.Adamax

Оптимизатор, реализующий алгоритм Adamax.

Наследуется от: Optimizer

Псевдонимы

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

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

tf.keras.optimizers.Adamax(
    learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-07, name='Adamax',
    **kwargs
)

Это вариант Adam, основанный на бесконечной норме. Значения параметров по умолчанию следуют параметрам, приведенным в статье. Adamax иногда превосходит Adam, особенно в моделях с векторами встраивания.

Ссылки см. в разделе 7 статьи Kingma и др., 2014 (pdf).

Аргументы
`learning_rate`	Тензор или значение с плавающей точкой. Скорость обучения.
`beta_1`	Значение с плавающей точкой или константа тензора с плавающей точкой. Экспоненциальная скорость затухания для оценок первого момента.
`beta_2`	Значение с плавающей точкой или константа тензора с плавающей точкой. Экспоненциальная скорость затухания для экспоненциально взвешенной бесконечной нормы.
`epsilon`	Небольшая константа для обеспечения числовой устойчивости.
`name`	Необязательное имя для операций, созданных при применении градиентов. По умолчанию "Adamax".
`**kwargs`	Дополнительные ключевые аргументы. Допускаются {`clipnorm`, `clipvalue`, `lr`, `decay`}. `clipnorm` — обрезка градиентов по норме; `clipvalue` — обрезка градиентов по значению, `decay` включена для обратной совместимости, чтобы разрешить обратную во времени скорость затухания скорости обучения. `lr` включена для обратной совместимости, рекомендуется использовать `learning_rate` вместо нее.

Атрибуты
`iterations`	Переменная. Количество шагов обучения, выполненных этим оптимизатором.
`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 Operation, которая применяет градиенты.

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

Возвращает
Операция `Operation`, которая применяет указанные градиенты. Значение `iterations` автоматически увеличится 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 get_config, позволяющим восстановить тот же оптимизатор из словаря конфигурации.

Аргументы
`config`	Словарь Python, как правило, выходной get_config.
`custom_objects`	Словарь Python, сопоставляющий имена дополнительным объектам Python, используемым для создания этого оптимизатора, например, функции, 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 позже восстановить (без сохранения состояния) 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 градиентов.

Исключения
`ValueError`	В случае, если любой 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 данного 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 путем обновления var_list.

Этот метод просто вычисляет градиент с помощью tf.GradientTape и вызывает apply_gradients(). Если вы хотите обработать градиент перед применением, 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`, которые необходимо обновить для минимизации `loss`, или функция, возвращающая список или кортеж объектов `Variable`. Используйте функцию, когда список переменных в противном случае был бы неполным перед `minimize`, поскольку переменные создаются в первый раз, когда вызывается `loss`.
`grad_loss`	Необязательно. `Tensor` содержащий градиент, вычисленный для `loss`.
`name`	Необязательное имя для возвращаемой операции.

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

Исключения
`ValueError`	Если некоторые из переменных не являются объектами `Variable`.

`set_weights`

Просмотреть исходный код

set_weights(
    weights
)

`variables`

Просмотреть 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/Adamax