官方文档
http://www.tensorfly.cn/tfdoc/api_docs/python/train.html
1.class tf.train.Optimizer
优化器(optimizers)类的基类。这个类定义了在训练模型的时候添加一个操作的API。你基本上不会直接使用这个类,但是你会用到他的子类比如GradientDescentOptimizer, AdagradOptimizer, MomentumOptimizer.等等这些。
后面讲的时候会详细讲一下GradientDescentOptimizer 这个类的一些函数,然后其他的类只会讲构造函数,因为类中剩下的函数都是大同小异的。
2.class tf.train.GradientDescentOptimizer
这个类是实现梯度下降算法的优化器。(结合理论可以看到,这个构造函数需要的一个学习率就行了)
__init__(learning_rate, use_locking=False,name=’GradientDescent’)
作用:创建一个梯度下降优化器对象
参数:
learning_rate: A Tensor or a floating point value. 要使用的学习率
use_locking: 要是True的话,就对于更新操作(update operations.)使用锁
name: 名字,可选,默认是”GradientDescent”.
compute_gradients(loss,var_list=None,gate_gradients=GATE_OP,aggregation_method=None,colocate_gradients_with_ops=False,grad_loss=None)
作用:对于在变量列表(var_list)中的变量计算对于损失函数的梯度,这个函数返回一个(梯度,变量)对的列表,其中梯度就是相对应变量的梯度了。这是minimize()函数的第一个部分,
参数:
loss: 待减小的值
var_list: 默认是在GraphKey.TRAINABLE_VARIABLES.
gate_gradients: How to gate the computation of gradients. Can be GATE_NONE, GATE_OP, or GATE_GRAPH.
aggregation_method: Specifies the method used to combine gradient terms. Valid values are defined in the class AggregationMethod.
colocate_gradients_with_ops: If True, try colocating gradients with the corresponding op.
grad_loss: Optional. A Tensor holding the gradient computed for loss.
apply_gradients(grads_and_vars,global_step=None,name=None)
作用:把梯度“应用”(Apply)到变量上面去。其实就是按照梯度下降的方式加到上面去。这是minimize()函数的第二个步骤。 返回一个应用的操作。
参数:
grads_and_vars: compute_gradients()函数返回的(gradient, variable)对的列表
global_step: Optional Variable to increment by one after the variables have been updated.
name: 可选,名字
get_name()
minimize(loss,global_step=None,var_list=None,gate_gradients=GATE_OP,aggregation_method=None,colocate_gradients_with_ops=False,name=None,grad_loss=None)
作用:非常常用的一个函数
通过更新var_list来减小loss,这个函数就是前面compute_gradients() 和apply_gradients().的结合
3.tf.train.AdagradOptimizer
tf.train.AdagradOptimizer.__init__(learning_rate, initial_accumulator_value=0.1, use_locking=False, name='Adagrad')
learning_rate
: 学习率initial_accumulator_value
: 浮点值。累加器的起始值必须是正的。use_locking
: IfTrue
use locks for update operations.name
: Optional name prefix for the operations created when applying gradients. Defaults to "Adagrad".
ValueError
: If the initial_accumulator_value is invalid.
4.class tf.train.MomentumOptimizer
Args:
learning_rate
: ATensor
or a floating point value. 学习率momentum
: ATensor
or a floating point value. 动量use_locking
: IfTrue
use locks for update operations.name
: Optional name prefix for the operations created when applying gradients. Defaults to "Momentum".
5.class tf.train.AdamOptimizer
tf.train.AdamOptimizer.__init__(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False, name='Adam')
Args:
learning_rate
: A Tensor or a floating point value. 学习率beta1
: A float value or a constant float tensor. The exponential decay rate for the 1st moment estimates.beta2
: A float value or a constant float tensor. The exponential decay rate for the 2st moment estimates.epsilon
: A small constant for numerical stability.use_locking
: If True use locks for update operation.sname
: Optional name for the operations created when applying gradients. Defaults to "Adam".
6.tf.train.FtrlOptimizer
tf.train.FtrlOptimizer.__init__(learning_rate, learning_rate_power=-0.5, initial_accumulator_value=0.1, l1_regularization_strength=0.0, l2_regularization_strength=0.0, use_locking=False, name='Ftrl')
FtrlOptimizer:FtrlOptimizer更新方法主要用于广告点击预测,广告点击预测通常千万级别的维度,因此有巨量的稀疏权重.其主要特点是将接近0 的权重直接置0,这样
计算时可以直接跳过,从而简化计算.这个方法已经验证过在股票数据上较有效
Args:
learning_rate
: A float value or a constant floatTensor
.学习率learning_rate_power
: A float value, 必须小于或等于零.initial_accumulator_value
: The starting value for accumulators. 只允许正值.l1_regularization_strength
: A float value,必须大于或等于零。l2_regularization_strength
: A float value, 必须大于或等于零。use_locking
: IfTrue
use locks for update operations.name
: Optional name prefix for the operations created when applying gradients. Defaults to "Ftrl".
7.tf.train.RMSPropOptimizer
tf.train.RMSPropOptimizer.__init__(learning_rate, decay, momentum=0.0, epsilon=1e-10, use_locking=False, name='RMSProp')
Args:
learning_rate
: A Tensor or a floating point value. 学习率decay
: discounting factor for the history/coming gradient,历史梯度的贴现因子,即将到来的梯度折扣因子momentum
: a scalar tensor.动量epsilon
: 小值避免零分母。use_locking
: If True use locks for update operation.name
: Optional name prefic for the operations created when applying gradients. Defaults to "RMSProp".
8.class tf.train.AdadeltaOptimizer
实现了 Adadelta算法的优化器,可以算是下面的Adagrad算法改进版本
构造函数:
tf.train.AdadeltaOptimizer.init(learning_rate=0.001, rho=0.95, epsilon=1e-08, use_locking=False, name=’Adadelta’)
作用:构造一个使用Adadelta算法的优化器
参数:
learning_rate: tensor或者浮点数,学习率
rho: tensor或者浮点数. The decay rate.
epsilon: A Tensor or a floating point value. A constant epsilon used to better conditioning the grad update.
use_locking: If True use locks for update operations.
name: 【可选】这个操作的名字,默认是”Adadelta”