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

实现 RMSProp 算法的优化器 (Tielemans et al.

继承自：Optimizer

用法

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

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.RMSPropOptimizer 与 Eager 模式和 tf.function 兼容。启用即刻执行后，learning_rate , decay , momentum 和 epsilon 都可以是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 样式，请改用 tf.keras.optimizers.RMSprop。请注意，由于实现的差异，tf.keras.optimizers.RMSprop 和tf.compat.v1.train.RMSPropOptimizer 在浮点数值上可能会略有不同，即使用于变量更新的公式仍然匹配。

到原生 TF2 的结构映射

前：

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

后：

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

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。
decay	rho	-
momentum	momentum	-
epsilon	epsilon	TF1 中默认值为 1e-10，TF2 中默认值为 1e-07。
use_locking	-	不适用于 TF2。

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.RMSPropOptimizer(learning_rate=0.001)
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.RMSprop(learning_rate=0.001)
optimizer.apply_gradients(zip([grad], [x]))

2012)。

参考：

Coursera 幻灯片 29：Hinton，2012 年 (pdf)