ApplyCenteredRmsProp

کلاس نهایی عمومی ApplyCenteredRmsProp

"*var" را مطابق با الگوریتم RMSProp متمرکز به روز کنید.

الگوریتم RMSProp متمرکز از تخمین لحظه دوم متمرکز (یعنی واریانس) برای عادی سازی استفاده می کند، برخلاف RMSProp معمولی که از لحظه دوم (غیر مرکزی) استفاده می کند. این اغلب به آموزش کمک می کند، اما از نظر محاسبات و حافظه کمی گران تر است.

توجه داشته باشید که در اجرای متراکم این الگوریتم، mg، ms و mom حتی اگر درجه صفر باشد، به روز می شوند، اما در این پیاده سازی پراکنده، mg، ms و mom در تکرارهایی که در طی آن درجه صفر است، به روز نمی شوند.

mean_square = decay * mean_square + (1-decay) * gradient ** 2 mean_grad = decay * mean_grad + (1-decay) * گرادیان

دلتا = نرخ_آموزش * گرادیان / مربع (میانگین_مربع + اپسیلون - میانگین_گراد ** 2)

mg <- rho * mg_{t-1} + (1-rho) * grad ms <- rho * ms_{t-1} + (1-rho) * grad * grad mom <- momentum * mom_{t-1 } + lr * grad / sqrt(ms - mg * mg + epsilon) var <- var - mom

کلاس های تو در تو

کلاس ApplyCenteredRmsProp.Options ویژگی های اختیاری برای ApplyCenteredRmsProp

ثابت ها

رشته OP_NAME نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

روش های عمومی

خروجی <T>
asOutput ()
دسته نمادین تانسور را برمی گرداند.
استاتیک <T TType > ApplyCenteredRmsProp <T> را گسترش می دهد
ایجاد ( دامنه دامنه، عملوند <T> var، عملوند <T> mg، عملوند <T> ms، عملوند <T> مادر، عملوند <T> lr، عملوند <T> rho، عملوند <T> حرکت، عملوند <T> > epsilon، Operand <T> grad، Options... گزینه ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات ApplyCenteredRmsProp جدید را بسته بندی می کند.
خروجی <T>
بیرون ()
همان "var".
استاتیک ApplyCenteredRmsProp.Options
useLocking (قفل کردن استفاده بولی)

روش های ارثی

org.tensorflow.op.RawOp
بولی نهایی
برابر است (object obj)
بین المللی نهایی
عمل
عملیات ()
این واحد محاسبه را به عنوان یک Operation واحد برگردانید.
رشته نهایی
بولی
برابر است (شیء arg0)
کلاس نهایی<?>
getClass ()
بین المللی
هش کد ()
باطل نهایی
اعلام کردن ()
باطل نهایی
اطلاع رسانی به همه ()
رشته
toString ()
باطل نهایی
صبر کنید (long arg0، int arg1)
باطل نهایی
صبر کنید (طولانی arg0)
باطل نهایی
صبر کن ()
org.tensorflow.op.Op
چکیده Execution Environment
env ()
محیط اجرایی را که این عملیات در آن ایجاد شده است برگردانید.
عملیات انتزاعی
عملیات ()
این واحد محاسبه را به عنوان یک Operation واحد برگردانید.
org.tensorflow.Operand
خروجی چکیده <T>
asOutput ()
دسته نمادین تانسور را برمی گرداند.
چکیده تی
asTensor ()
تانسور این عملوند را برمی گرداند.
شکل انتزاعی
شکل ()
شکل (احتمالاً تا حدی شناخته شده) تانسور را که توسط Output این عملوند به آن اشاره شده است، برمی گرداند.
کلاس انتزاعی<T>
نوع ()
نوع تانسور این عملوند را برمی گرداند
org.tensorflow.ndarray.Shaped
انتزاعی
شکل انتزاعی
شکل ()
انتزاعی طولانی
اندازه ()
اندازه کل این ظرف را به تعداد مقادیر محاسبه کرده و برمی گرداند.

ثابت ها

رشته نهایی ثابت عمومی OP_NAME

نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

مقدار ثابت: "ApplyCenteredRMSProp"

روش های عمومی

خروجی عمومی <T> asOutput ()

دسته نمادین تانسور را برمی گرداند.

ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.

عمومی ایستا ApplyCenteredRmsProp <T> ایجاد ( دامنه دامنه ، عملوند <T> var، عملوند <T> mg، عملوند <T> ms، عملوند <T> مادر، عملوند <T> lr، عملوند <T> rho، عملوند <T > حرکت، عملوند <T> اپسیلون، عملوند <T> درجه، گزینه‌ها... گزینه‌ها)

روش کارخانه برای ایجاد کلاسی که یک عملیات ApplyCenteredRmsProp جدید را بسته بندی می کند.

مولفه های
محدوده محدوده فعلی
var باید از یک متغیر () باشد.
میلی گرم باید از یک متغیر () باشد.
ام‌اس باید از یک متغیر () باشد.
مادر باید از یک متغیر () باشد.
lr ضریب پوسته پوسته شدن باید اسکالر باشد.
rho میزان پوسیدگی باید اسکالر باشد.
تکانه مقیاس حرکت. باید اسکالر باشد.
اپسیلون ترم ریج. باید اسکالر باشد.
درجه گرادیان.
گزینه ها مقادیر ویژگی های اختیاری را حمل می کند
برمی گرداند
  • یک نمونه جدید از ApplyCenteredRmsProp

خروجی عمومی <T> خارج ()

همان "var".

عمومی ایستا ApplyCenteredRmsProp.Options useLocking (useLocking بولی)

مولفه های
استفاده از قفل کردن اگر «درست» باشد، به‌روزرسانی تانسورهای var، mg، ms و mom توسط یک قفل محافظت می‌شود. در غیر این صورت رفتار تعریف نشده است، اما ممکن است اختلاف کمتری از خود نشان دهد.