tf.compat.v1.train.RMSPropOptimizer

Оптимизатор, реализующий алгоритм RMSProp (Tielemans и др. 2012).

Наследуется от: Optimizer

tf.compat.v1.train.RMSPropOptimizer(
    learning_rate,
    decay=0.9,
    momentum=0.0,
    epsilon=1e-10,
    use_locking=False,
    centered=False,
    name='RMSProp'
)

tf.compat.v1.train.RMSPropOptimizer совместим с режимом eager и tf.function. При включённом режиме eager выполнения learning_rate, decay, momentum, и epsilon могут быть вызовами, которые не принимают аргументы и возвращают фактическое значение для использования. Это может быть полезно для изменения этих значений в разных вызовах функций оптимизатора.

Для перехода к стилю TF2 используйте tf.keras.optimizers.RMSprop вместо этого. Обратите внимание, что из-за различий в реализации tf.keras.optimizers.RMSprop и tf.compat.v1.train.RMSPropOptimizer могут быть небольшие различия в вычислениях с плавающей точкой, даже если формула для обновлений переменных остаётся такой же.

Структурное соответствие с родным TF2

До:

optimizer = tf.compat.v1.train.RMSPropOptimizer(
  learning_rate=learning_rate,
  decay=decay,
  momentum=momentum,
  epsilon=epsilon)

После:

optimizer = tf.keras.optimizers.RMSprop(
  learning_rate=learning_rate,
  rho=decay,
  momentum=momentum,
  epsilon=epsilon)

Как сопоставить аргументы

Пример использования до и после

До:

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.compat.v1.train.RMSPropOptimizer(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

После:

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.keras.optimizers.RMSprop(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

Описание

2012).

Ссылки:

Слайд 29 Coursera: Хинтон, 2012 (pdf)

Методы

apply_gradients

Просмотреть исходный код

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

Применяет градиенты к переменным.

Это вторая часть minimize(). Возвращает Operation, который применяет градиенты.

@compatibility(TF2)

Как сопоставить аргументы

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
)

Вычисляет градиенты loss для переменных в var_list.

tf.keras.optimizers.Optimizer в TF2 не предоставляет метод compute_gradients, и вы должны использовать tf.GradientTape для получения градиентов:

@tf.function
def train step(inputs):
  batch_data, labels = inputs
  with tf.GradientTape() as tape:
    predictions = model(batch_data, training=True)
    loss = tf.keras.losses.CategoricalCrossentropy(
        reduction=tf.keras.losses.Reduction.NONE)(labels, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

Аргументы: loss: Тензор, содержащий значение для минимизации, или вызываемая функция, принимающая на вход ни одного аргумента и возвращающая значение для минимизации. При включенном режиме eager исполнения должен быть вызываемой функцией. var_list: Необязательный список или кортеж tf.Variable для обновления, чтобы свести к минимуму loss. По умолчанию это 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 градиентных членов. Действительные значения определены в классе AggregationMethod. colocate_gradients_with_ops: Если True, пытается расположить градиенты вместе с соответствующей операцией. grad_loss: Необязательно. Тензор, содержащий градиент, вычисленный для loss.

Возвращает: Список пар (градиент, переменная). Переменная всегда присутствует, но градиент может быть None.

Возможные исключения: TypeError: Если var_list содержит что-либо помимо объектов Variable . ValueError: Если некоторые аргументы некорректны. RuntimeError: Если вызов происходит при включенном режиме eager выполнения и loss не является вызываемой функцией.

@compatibility(eager) При включенном режиме eager выполнения gate_gradients, aggregation_method, и colocate_gradients_with_ops игнорируются.

Описание

Это первая часть minimize(). 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.

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-то причине вам нужны.

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

get_slot_names

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных Optimizer.

См. get_slot().

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, явно вызовите compute_gradients() и apply_gradients() вместо использования этой функции.

При включённом нетерпеливом выполнении loss должна быть Python-функцией без аргументов, вычисляющей значение, которое нужно 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 включённом нетерпеливом выполнении.

variables

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

Включает переменные слотов и дополнительные глобальные переменные, созданные оптимизатором в текущем графике по умолчанию.