Python tf.compat.v1.train.MomentumOptimizer用法及代码示例

实现 Momentum 算法的优化器。

继承自：Optimizer

用法

tf.compat.v1.train.MomentumOptimizer(
    learning_rate, momentum, use_locking=False, name='Momentum',
    use_nesterov=False
)

迁移到 TF2

警告：这个 API 是为 TensorFlow v1 设计的。继续阅读有关如何从该 API 迁移到本机 TensorFlow v2 等效项的详细信息。见TensorFlow v1 到 TensorFlow v2 迁移指南有关如何迁移其余代码的说明。

tf.compat.v1.train.MomentumOptimizer 与 Eager 模式和 tf.function 兼容。当启用即刻执行时，learning_rate , momentum 可以是一个不带参数并返回要使用的实际值的可调用对象。这对于在优化器函数的不同调用中更改这些值很有用。

要切换到原生 TF2 风格，请直接使用带有momentum 参数的tf.keras.optimizers.SGD。

到原生 TF2 的结构映射

前：

optimizer = tf.compat.v1.train.MomentumOptimizer(
  learning_rate=learning_rate,
  momentum=momentum,
  use_nesterov=use_nesterov)

后：

optimizer = tf.keras.optimizers.SGD(
  learning_rate=learning_rate,
  momentum=momentum,
  nesterov=use_nesterov)

如何映射参数

TF1 参数名称	TF2 参数名称	注意
learning_rate	learning_rate	小心设置从全局步骤计算的learning_rate 张量值。在 TF1 中，这通常意味着动态学习率，并且会在每一步中重新计算。在 TF2 (eager + function) 中，它会将其视为仅计算一次的标量值，而不是每次都计算的符号占位符。
momentum	momentum	-
use_locking	-	不适用于 TF2。
use_nesterov	nesterov	-

使用前后示例

前：

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.compat.v1.train.MomentumOptimizer(
  learning_rate=0.001,
  momentum=0.9,
  use_nesterov=False)
optimizer.apply_gradients(zip([grad], [x]))

后：

x = tf.Variable([1,2,3], dtype=tf.float32)
grad = tf.constant([0.1, 0.2, 0.3])
optimizer = tf.keras.optimizers.SGD(
  learning_rate=0.001,
  momentum=0.9,
  nesterov=False)
optimizer.apply_gradients(zip([grad], [x]))

计算(如果 use_nesterov = False )：

accumulation = momentum * accumulation + gradient
variable -= learning_rate * accumulation

请注意，在该算法的密集版本中，accumulation 会更新并应用，而不管梯度的值如何，而稀疏版本(当梯度为 IndexedSlices 时，通常是因为 tf.gather 或嵌入)仅更新变量切片和相应的accumulation 术语，当变量的该部分用于前向传递时。