Python tf.compat.v1.train.MomentumOptimizer用法及代碼示例

實現 Momentum 算法的優化器。

繼承自：Optimizer

用法

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

遷移到 TF2

警告：這個 API 是為 TensorFlow v1 設計的。繼續閱讀有關如何從該 API 遷移到本機 TensorFlow v2 等效項的詳細信息。見TensorFlow v1 到 TensorFlow v2 遷移指南有關如何遷移其餘代碼的說明。

tf.compat.v1.train.MomentumOptimizer 與 Eager 模式和 tf.function 兼容。當啟用即刻執行時，learning_rate , momentum 可以是一個不帶參數並返回要使用的實際值的可調用對象。這對於在優化器函數的不同調用中更改這些值很有用。

要切換到原生 TF2 風格，請直接使用帶有momentum 參數的tf.keras.optimizers.SGD。

到原生 TF2 的結構映射

前：

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

後：

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

如何映射參數

TF1 參數名稱	TF2 參數名稱	注意
learning_rate	learning_rate	小心設置從全局步驟計算的learning_rate 張量值。在 TF1 中，這通常意味著動態學習率，並且會在每一步中重新計算。在 TF2 (eager + function) 中，它會將其視為僅計算一次的標量值，而不是每次都計算的符號占位符。
momentum	momentum	-
use_locking	-	不適用於 TF2。
use_nesterov	nesterov	-

使用前後示例

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]))

後：

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]))

計算(如果 use_nesterov = False )：

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

請注意，在該算法的密集版本中，accumulation 會更新並應用，而不管梯度的值如何，而稀疏版本(當梯度為 IndexedSlices 時，通常是因為 tf.gather 或嵌入)僅更新變量切片和相應的accumulation 術語，當變量的該部分用於前向傳遞時。