tf.raw_ops.SdcaOptimizerV2

Распределённая версия оптимизатора Stochastic Dual Coordinate Ascent (SDCA) для

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

tf.compat.v1.raw_ops.SdcaOptimizerV2

tf.raw_ops.SdcaOptimizerV2(
    sparse_example_indices, sparse_feature_indices, sparse_feature_values,
    dense_features, example_weights, example_labels, sparse_indices, sparse_weights,
    dense_weights, example_state_data, loss_type, l1, l2, num_loss_partitions,
    num_inner_iterations, adaptive=True, name=None
)

линейных моделей с L1 + L2 регуляризацией. Поскольку глобальная целевая функция оптимизации является строго выпуклой, оптимизатор оптимизирует двойственную целевую функцию на каждом шаге. Оптимизатор применяет каждое обновление по одному примеру за раз. Примеры выбираются равномерно, и оптимизатор не имеет скорости обучения и обладает линейной скоростью сходимости.

Proximal Stochastic Dual Coordinate Ascent.
Shai Shalev-Shwartz, Tong Zhang. 2012

$$Loss Objective = \sum f_{i} (wx_{i}) + (l2 / 2) * |w|^2 + l1 * |w|$$

Adding vs. Averaging in Distributed Primal-Dual Optimization.
Chenxin Ma, Virginia Smith, Martin Jaggi, Michael I. Jordan, Peter Richtarik, Martin Takac. 2015

Stochastic Dual Coordinate Ascent with Adaptive Probabilities.
Dominik Csiba, Zheng Qu, Peter Richtarik. 2015

Аргументы
`sparse_example_indices`	Список объектов типа `int64`. список векторов, содержащих индексы примеров.
`sparse_feature_indices`	Список той же длины, что и `sparse_example_indices`, объектов типа `int64`. Список векторов, содержащих индексы признаков.
`sparse_feature_values`	Список объектов типа `float32`. список векторов, содержащих значения признаков, связанные с каждой группой признаков.
`dense_features`	Список объектов типа `float32`. Список матриц, содержащих плотные значения признаков.
`example_weights`	Вектор типа `float32`. Вектор, содержащий вес, связанный с каждым примером.
`example_labels`	Вектор типа `float32`. Вектор, содержащий метку/цель, связанную с каждым примером.
`sparse_indices`	Список той же длины, что и `sparse_example_indices`, объектов типа `int64`. Список векторов, где каждое значение — это индексы, имеющие соответствующие веса в sparse_weights. Этот параметр можно опустить для плотного подхода.
`sparse_weights`	Список той же длины, что и `sparse_example_indices`, объектов типа `float32`. Список векторов, где каждое значение — это вес, связанный с разреженными группой признаков.
`dense_weights`	Список той же длины, что и `dense_features`, объектов типа `float32`. Список векторов, где значения — это веса, связанные с плотной группой признаков.
`example_state_data`	Вектор типа `float32`. Список векторов, содержащих данные состояния примеров.
`loss_type`	Значение из: `"logistic_loss", "squared_loss", "hinge_loss", "smooth_hinge_loss", "poisson_loss"`. Тип первичной функции потерь. В настоящее время SdcaSolver поддерживает логистические, квадратичные и ступенчатые функции потерь.
`l1`	Величина симметричной регуляризации L1.
`l2`	Величина симметричной регуляризации L2.
`num_loss_partitions`	Число, представляющее собой число разделений глобальной функции потерь.
`num_inner_iterations`	Число итераций на мини-пакет.
`adaptive`	Необязательный параметр. По умолчанию — `True`. Используется ли адаптивный SDCA для внутреннего цикла.
`name`	Имя операции (необязательно).

Возвращаемые значения
Кортеж объектов (out_example_state_data, out_delta_sparse_weights, out_delta_dense_weights).
`out_example_state_data`	Вектор типа `float32`.
`out_delta_sparse_weights`	Список той же длины, что и `sparse_example_indices`, объектов типа `float32`.
`out_delta_dense_weights`	Список той же длины, что и `dense_features`, объектов типа `float32`.

© 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/r2.4/api_docs/python/tf/raw_ops/SdcaOptimizerV2