tf.train.AdamOptimizer

Оптимизатор, реализующий алгоритм Adam.

Наследуется от: Optimizer

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

tf.compat.v1.train.AdamOptimizer

tf.train.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`	A Tensor или значение с плавающей точкой. Скорость обучения.
`beta1`	Значение с плавающей точкой или постоянный тензор с плавающей точкой. Скорость экспоненциального затухания для оценок первого момента.
`beta2`	Значение с плавающей точкой или постоянный тензор с плавающей точкой. Скорость экспоненциального затухания для оценок второго момента.
`epsilon`	Небольшая константа для обеспечения числовой устойчивости. Эта переменная epsilon — это «epsilon hat» в статье Kingma и Ba (в формуле непосредственно перед разделом 2.1), а не epsilon в алгоритме 1 статьи.
`use_locking`	Если True, использовать блокировки для операций обновления.
`name`	Необязательное имя для операций, созданных при применении градиентов. По умолчанию «Adam». @compatibility(eager) Когда включено выполнение в режиме eager, `learning_rate`, `beta1`, `beta2`, и `epsilon` могут быть функциями, которые принимают на вход ничего и возвращают фактическое значение для использования. Это может быть полезно для изменения этих значений при разных вызовах функций оптимизатора. @end_compatibility

Методы

`apply_gradients`

Просмотреть исходный код

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

Применение градиентов к переменным.

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

Аргументы
`grads_and_vars`	Список пар (градиент, переменная), как возвращается `compute_gradients()`.
`global_step`	Необязательный параметр для увеличения на единицу после обновления переменных.
`name`	Необязательное имя для возвращаемой операции. По умолчанию используется имя, переданное в конструктор `Optimizer`.

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

Исключения
`TypeError`	Если `grads_and_vars` имеет неправильный формат.
`ValueError`	Если ни для одной переменной нет градиентов.
`RuntimeError`	Если нужно использовать `_distributed_apply()` вместо этого.

`compute_gradients`

Просмотреть исходный код

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

Вычисление градиентов loss для переменных в var_list.

Это первая часть minimize(). Она возвращает список пар (градиент, переменная), где «градиент» — это градиент для «переменной». Обратите внимание, что «градиент» может быть Tensor, IndexedSlices, или None в случае отсутствия градиента для данной переменной.

Аргументы
`loss`	A Tensor, содержащий значение для минимизации, или функция, которая принимает на вход ничего и возвращает значение для минимизации. При включенном режиме eager выполнения должна быть функцией.
`var_list`	Необязательный список или кортеж переменных `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 объединения членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, пытаться расположить градиенты вместе с соответствующей операцией.
`grad_loss`	Необязательно. A `Tensor`, содержащий градиент, вычисленный для `loss`.

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

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

Совместимость с eager выполнением

Когда включено eager выполнение, gate_gradients, aggregation_method, и colocate_gradients_with_ops 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 по каким-либо причинам вам нужны.

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

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

Возвращаемое значение
`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 оптимизатором 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, colocate_gradients_with_ops=False, name=None,
    grad_loss=None
)

Добавляет операции для минимизации loss путём обновления var_list.

Этот метод просто объединяет вызовы compute_gradients() и apply_gradients(). Если нужно обработать градиент перед применением, вызовите compute_gradients() и apply_gradients() явно вместо использования этой функции.

Аргументы
`loss`	A `Tensor`, содержащий значение для минимизации.
`global_step`	Необязательный параметр 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 объединения членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, пытаться расположить градиенты вместе с соответствующей операцией.
`name`	Необязательное имя для возвращаемой операции.
`grad_loss`	Необязательно. A `Tensor`, содержащий градиент, вычисленный для `loss`.

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

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

Жадный режим совместимости

При включенном жадном выполнении loss должно быть функцией Python, которая не принимает аргументов и вычисляет значение, которое необходимо минимизировать. Минимизация (и вычисление градиента) выполняется относительно элементов var_list если оно не равно None, иначе — относительно любых обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются при включенном жадном выполнении.

`variables`

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

Включает переменные-слоты и дополнительные глобальные переменные, созданные оптимизатором в текущей графике по умолчанию.

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/train/AdamOptimizer