tf.train.FtrlOptimizer

Оптимизатор, реализующий алгоритм FTRL.

Наследуется от: Optimizer

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительной информации.

tf.compat.v1.train.FtrlOptimizer

tf.train.FtrlOptimizer(
    learning_rate, learning_rate_power=-0.5, initial_accumulator_value=0.1,
    l1_regularization_strength=0.0, l2_regularization_strength=0.0,
    use_locking=False, name='Ftrl', accum_name=None, linear_name=None,
    l2_shrinkage_regularization_strength=0.0
)

См. эту статью. Данная версия поддерживает как онлайн L2 (штраф L2, указанный в статье выше), так и L2 типа сжатия (добавление штрафа L2 к функции потерь).

Аргументы
`learning_rate`	Вещественное значение или константа с вещественным значением `Tensor`.
`learning_rate_power`	Вещественное значение, должно быть меньше или равно нулю. Управляет тем, как скорость обучения уменьшается во время обучения. Используйте ноль для фиксированной скорости обучения. См. раздел 3.1 в статье.
`initial_accumulator_value`	Начальное значение для аккумуляторов. Разрешены только нулевые или положительные значения.
`l1_regularization_strength`	Вещественное значение, должно быть больше или равно нулю.
`l2_regularization_strength`	Вещественное значение, должно быть больше или равно нулю.
`use_locking`	Если `True` использовать блокировки для операций обновления.
`name`	Необязательное префиксное имя для операций, созданных при применении градиентов. По умолчанию "Ftrl".
`accum_name`	Суффикс для переменной, хранящей накопитель градиента в квадрате. Если не указан, используется имя по умолчанию.
`linear_name`	Суффикс для переменной, хранящей накопитель линейного градиента. Если не указан, используется имя + "1".
`l2_shrinkage_regularization_strength`	Вещественное значение, должно быть больше или равно нулю. Отличается от L2 выше тем, что L2 выше является штрафом стабилизации, а это L2-сжатие — штрафом за величину. Формулировка FTRL может быть записана как: w{t+1} = argminw(\hat{g}{1:t}w + L1\|\|w\|\|_1 + L2\|\|w\|\|_2^2), где \hat{g} = g + (2L2_shrinkagew), а g — градиент функции потерь по отношению к весам w. В частности, при отсутствии регуляризации L1 он эквивалентен следующему правилу обновления: w_{t+1} = w_t - lr_t / (1 + 2L2lr_t) * g_t - 2L2_shrinkagelr_t / (1 + 2L2lr_t) * w_t где lr_t — скорость обучения в момент t. При разреженных входных данных сжатие произойдет только для активных весов.

Возможные ошибки
`ValueError`	Если один из аргументов неверен.

Методы

`apply_gradients`

Просмотреть 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), 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`.

Возвращаемое значение
`Operation`, который применяет указанные градиенты. Если `global_step` не было равно None, эта операция также увеличивает `global_step`.

Возможные ошибки
`TypeError`	Если `grads_and_vars` имеет неправильный формат.
`ValueError`	Если ни одна из переменных не имеет градиентов.
`RuntimeError`	Если следует 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
)

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 объект без аргументов, возвращающий значение для минимизации. При включенном выполнении eager это должен быть вызываемый объект.
`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 организовать вычисление 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, попробуйте расположить градиенты с соответствующей операцией.
`grad_loss`	Необязательно. `Tensor`, содержащий градиент, вычисленный для `loss`.

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

Возможные ошибки
`TypeError`	Если `var_list` содержит что-либо кроме `Variable` объектов.
`ValueError`	Если некоторые аргументы неверны.
`RuntimeError`	Если вызвано с включенным eager-выполнением, и `loss` не является вызываемым объектом.

Совместимость с eager-выполнением

При включенном eager-выполнении 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 какой-либо причине вам нужны.

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

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.

END_OF_DOCUMENT_MARKER

Аргументы
`loss`	A `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 с целью минимизации `loss`. По умолчанию используется список переменных, собранных в графе по ключу `GraphKeys.TRAINABLE_VARIABLES`.
`gate_gradients`	Способ управления вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP`, или `GATE_GRAPH`.
`aggregation_method`	Указывает метод комбинирования градиентных слагаемых. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попробуйте 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 был `None`, эта операция также увеличивает `global_step`.

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

Совместимость с Eager Execution

При включённом eager execution, loss должна быть Python-функцией без аргументов, вычисляющей значение для минимизации. Минимизация (и вычисление градиента) выполняется относительно элементов var_list если оно не равно None, иначе относительно всех обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются при включённом eager execution.

`variables`

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

Включает переменные слотов и дополнительные глобальные переменные, созданные оптимизатором в текущей по умолчанию графе.

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/FtrlOptimizer