tf.compat.v1.train.AdadeltaOptimizer

Оптимизатор, реализующий алгоритм Adadelta.

Наследуется от: Optimizer

tf.compat.v1.train.AdadeltaOptimizer(
    learning_rate=0.001, rho=0.95, epsilon=1e-08, use_locking=False, name='Adadelta'
)

Ссылки:

ADADELTA - Метод адаптивной скорости обучения: Zeiler, 2012 (pdf)

Аргументы
`learning_rate`	Значение типа `Tensor` или число с плавающей точкой. Скорость обучения. Для точного соответствия исходной статье используйте 1.0.
`rho`	Значение типа `Tensor` или число с плавающей точкой. Скорость затухания.
`epsilon`	Значение типа `Tensor` или число с плавающей точкой. Постоянная ε, используемая для лучшего обуславливания обновления градиента.
`use_locking`	Если `True`, использовать блокировки для операций обновления.
`name`	Необязательное префиксное имя для операций, созданных при применении градиентов. По умолчанию "Adadelta".

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 оператор, который применяет градиенты.

Аргументы
`grads_and_vars`	Список пар (градиент, переменная), возвращаемых методом `compute_gradients()`.
`global_step`	Необязательный счётчик, который увеличивается на единицу после обновления переменных.
`name`	Необязательное имя возвращаемой операции. По умолчанию имя, переданное в конструктор `Optimizer`.

Возвращаемое значение
Оператор, применяющий указанные градиенты. Если `global_step` не равно None, эта операция также увеличивает `global_step`.

Исключения
`TypeError`	Если `grads_and_vars` имеет неправильный формат.
`ValueError`	Если ни у одной из переменных нет градиента.
`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 включённом режиме eager execution это должен быть вызываемый объект.
`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`	Способ управления вычислением градиентов. Может быть `GATE_NONE`, `GATE_OP`, или `GATE_GRAPH`.
`aggregation_method`	Указывает метод объединения градиентов. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попытаться расположить градиенты вместе 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`.

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

Совместимость с режимом eager execution

При включенном режиме eager execution, 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 объектам Variable, если они вам по какой-то причине нужны.

Используйте get_slot_names(), чтобы получить список имён слотов, созданных Optimizer.

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

Возвращаемое значение
Объект `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
)

Добавляет 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`	Объект `Tensor`, содержащий значение для минимизации.
`global_step`	Необязательный объект `Variable`, который увеличивается на единицу после обновления переменных.
`var_list`	Необязательный список или кортеж объектов `Variable` для обновления, чтобы минимизировать `loss`. По умолчанию это 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, попробуйте разместить градиенты с соответствующей операцией.
`name`	Необязательное имя возвращаемой операции.
`grad_loss`	Необязательно. Объект `Tensor`, содержащий градиент, вычисленный для `loss`.

Возвращаемое значение
Операция, которая обновляет 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

Когда включено выполнение Eager, loss должно быть Python-функцией без аргументов, которая вычисляет значение для минимизации. Минимизация (и вычисление градиента) выполняется относительно элементов var_list если он не равен 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 включенном Eager-выполнении.

`variables`

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

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

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/r2.3/api_docs/python/tf/compat/v1/train/AdadeltaOptimizer