tf.compat.v1.train.MomentumOptimizer

Оптимизатор, реализующий алгоритм импульса.

Наследуется от: Optimizer

tf.compat.v1.train.MomentumOptimizer(
    learning_rate, momentum, use_locking=False, name='Momentum', use_nesterov=False
)

Вычисляет (если use_nesterov = False):

accumulation = momentum * accumulation + gradient
variable -= learning_rate * accumulation

Обратите внимание, что в плотной версии этого алгоритма accumulation обновляется и применяется независимо от значения градиента, тогда как в разреженной версии (когда градиент является IndexedSlices, обычно из-за tf.gather или встраивания) обновляются только срезы переменной и соответствующие accumulation члены, когда эта часть переменной использовалась в прямом проходе.

Аргументы
`learning_rate`	Значение типа `Tensor` или число с плавающей точкой. Скорость обучения.
`momentum`	Значение типа `Tensor` или число с плавающей точкой. Импульс.
`use_locking`	Если `True` использовать блокировки для операций обновления.
`name`	Необязательное префиксное имя для операций, создаваемых при применении градиентов. По умолчанию равно "Momentum".
`use_nesterov`	Если `True` использовать импульс Нестерова. См. (Sutskever et al., 2013). Эта реализация всегда вычисляет градиенты в значении переменной(ых), переданной в оптимизатор. Использование импульса Нестерова заставляет переменную(ые) отслеживать значения, называемые `theta_t + mu*v_t` в статье. Данная реализация является приближением исходной формулы, действительной для высоких значений импульса. Она вычислит "скорректированный градиент" в NAG, предположив, что новый градиент будет оценен текущим средним градиентом плюс произведение импульса и изменения среднего градиента.

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), как возвращается `compute_gradients()`.
`global_step`	Необязательный `Variable` для инкремента на единицу после обновления переменных.
`name`	Необязательное имя для возвращаемой операции. По умолчанию соответствует имени, переданному конструктору `Optimizer`.

Возвращаемое значение
`Operation` для применения указанных градиентов. Если `global_step` не равно None, данная операция также увеличивает `global_step`.

Исключения
`TypeError`	Если `grads_and_vars` имеет неправильный формат.
`ValueError`	Если ни одна из переменных не имеет 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
)

Вычисление градиентов 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`	Тензор, содержащий значение для минимизации, или вызываемый объект без аргументов, возвращающий значение для минимизации. При включенном режиме выполнения eager он должен быть вызываемым.
`var_list`	Необязательный список или кортеж `tf.Variable` для обновления, чтобы минимизировать `loss`. По умолчанию — список переменных, собранных в графике 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 членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попытаться разместить 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-либо кроме `Variable` объектов.
`ValueError`	Если некоторые аргументы некорректны.
`RuntimeError`	Если вызвана с включенным режимом eager execution и `loss` не является вызываемым объектом.

Совместимость с режимом eager

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 Variable объектам, если они 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
)

Добавляет операции для минимизации loss путём обновления var_list.

Этот метод просто комбинирует 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`	Тензор, содержащий значение для минимизации.
`global_step`	Необязательный `Variable` для инкремента на единицу после обновления переменных.
`var_list`	Необязательный список или кортеж `Variable` объектов для обновления, чтобы минимизировать `loss`. По умолчанию — список переменных, собранных в графике 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 членов градиента. Допустимые значения определены в классе `AggregationMethod`.
`colocate_gradients_with_ops`	Если True, попытаться разместить градиенты вместе с соответствующей операцией.
`name`	Необязательное имя для возвращаемой операции.
`grad_loss`	Необязательно. `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 `Variable` объектами.

Жадная совместимость

Когда жадное выполнение включено, loss должна 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 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/MomentumOptimizer