tf.keras.optimizers.legacy.Adagrad

Оптимизатор, реализующий алгоритм Adagrad.

Наследуется от: Adagrad, Optimizer

Просмотр псевдонимов

Псевдонимы для миграции

Для получения более подробной информации см. Руководство по миграции.

tf.compat.v1.keras.optimizers.legacy.Adagrad

tf.keras.optimizers.legacy.Adagrad(
    learning_rate=0.001,
    initial_accumulator_value=0.1,
    epsilon=1e-07,
    name='Adagrad',
    **kwargs
)

Adagrad — это оптимизатор с параметрически-специфическими скоростями обучения, которые адаптируются относительно частоты обновления параметра во время обучения. Чем больше обновлений получает параметр, тем меньше обновления.

Аргументы
`learning_rate`	Начальное значение скорости обучения: либо число с плавающей точкой, либо экземпляр `tf.keras.optimizers.schedules.LearningRateSchedule`. По умолчанию 0,001. Обратите внимание, что `Adagrad` обычно выигрывает от более высоких начальных значений скорости обучения по сравнению с другими оптимизаторами. Для соответствия точной форме в оригинальной статье используйте 1,0.
`initial_accumulator_value`	Число с плавающей точкой. Начальное значение для аккумуляторов (значения импульса для каждого параметра). Должно быть неотрицательным.
`epsilon`	Малое число с плавающей точкой, используемое для поддержания числовой устойчивости.
`name`	Необязательный префикс имени для операций, созданных при применении градиентов. По умолчанию `"Adagrad"`.
`**kwargs`	ключевые аргументы. Разрешенные аргументы — `clipvalue`, `clipnorm`, `global_clipnorm`. Если `clipvalue` (число с плавающей точкой) установлено, градиент каждого веса ограничивается значением, не превышающим это значение. Если `clipnorm` (число с плавающей точкой) установлено, градиент каждого веса индивидуально ограничен, так что его норма не превышает этого значения. Если `global_clipnorm` (число с плавающей точкой) установлено, градиент всех весов ограничен, так что их глобальная норма не превышает этого значения.

Ссылка:

Duchi et al., 2011.

Исключения
`ValueError`	в случае любого недопустимого аргумента.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/keras/optimizers/legacy/Adagrad