tf.raw_ops.SdcaOptimizer

Распределённая версия оптимизатора стохастического двойственного восхождения по координатам (SDCA) для

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

tf.compat.v1.raw_ops.SdcaOptimizer

tf.raw_ops.SdcaOptimizer(
    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,
    adaptative=True,
    name=None
)

линейных моделей с регуляризацией L1 + L2. Поскольку глобальная целевая функция оптимизации строго выпуклая, оптимизатор оптимизирует двойственную целевую функцию на каждом шаге. Оптимизатор применяет каждое обновление по одному примеру за раз. Примеры выбираются равномерно, и оптимизатор не зависит от скорости обучения и демонстрирует линейную скорость сходимости.

Приближённое стохастическое двойственное восхождение по координатам.
Шаи Шалеф-Шварц, Тонг Чжан. 2012

\[Целевая функция потерь = \sum f_{i} (wx_{i}) + (l2 / 2) * |w|^2 + l1 * |w|\]

Добавление против усреднения в распределённой оптимизации «примал-дуал».
Чэньсинь Ма, Вирджиния Смит, Мартин Яджи, Майкл И. Джордан, Петер Рихтарик, Мартин Такач. 2015

Стохастическое двойственное восхождение по координатам с адаптивными вероятностями.
Доминик Чиба, Чжэн Куй, Петер Рихтарик. 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 является индексами, у которых есть соответствующие веса в sparse_weights. Этот элемент может быть опущен для плотного подхода.
`sparse_weights`	Список той же длины, что и `sparse_example_indices`, объектов типа `float32`. Список векторов, где каждое значение — вес, связанный с группой разреженных признаков.
`dense_weights`	Список той же длины, что и `dense_features`, объектов типа `float32`. Список векторов, где значения — веса, связанные с группой плотных признаков.
`example_state_data`	Вектор типа `float32`. Список векторов, содержащих данные состояния примера.
`loss_type`	Тип функции потерь «примал»: `"logistic_loss", "squared_loss", "hinge_loss", "smooth_hinge_loss", "poisson_loss"`. В настоящее время SdcaSolver поддерживает логистические, квадратичные и порог-подобные потери.
`l1`	Сила регуляризации L1.
`l2`	Сила регуляризации L2.
`num_loss_partitions`	Число разделов глобальной функции потерь.
`num_inner_iterations`	Число итераций на мини-пакет.
`adaptative`	Необязательный параметр. По умолчанию — `True`. Использовать ли адаптивный SDCA для внутреннего цикла.
`name`	Имя операции (необязательно).

Возвращаемое значение
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`.

© 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/raw_ops/SdcaOptimizer