在TensorFlow中,tf.train.exponential_decay函数实现了指数衰减学习率,通过这个函数,可以先使用较大的学习率来快速得到一个比较优的解,然后随着迭代的继续逐步减小学习率,使得模型在训练后期更加稳定。
tf.train。exponential_decay (learning_rate global_step、decay_steps decay_rate,楼梯,名字)函数会指数级地减小学习率,它实现了以下代码的功能:
# tf.train.exponential_decay函数可以通过设置楼梯参数选择不同的学习率衰减方式
#楼梯参数为False(默认)时,选择连续衰减学习率:
decayed_learning_rate=learning_rate *数学。战俘(decay_rate global_step/decay_steps)
#楼梯参数为真时,选择阶梯状衰减学习率:
decayed_learning_rate=learning_rate *数学。战俘(decay_rate global_step//decay_steps)
①decayed_leaming_rate为每一轮优化时使用的学习率;
②leaming_rate为事先设定的初始学习率;
③decay_rate为衰减系数;
④global_step为当前训练的轮数;
⑤decay_steps为衰减速度,通常代表了完整的使用一遍训练数据所需要的迭代轮数,这个迭代轮数也就是总训练样本数除以每一个批处理中的训练样本数,比如训练数据集的大小为128,每一个批处理中样例的个数为8,那么decay_steps就为16。
当楼梯参数设置为真,使用阶梯状衰减学习率时,代码的含义是每完整地过完一遍训练数据即每训练decay_steps轮,学习率就减小一次,这可以使得训练数据集中的所有数据对模型训练有相等的作用,当楼梯参数设置为假,使用连续的衰减学习率时,不同的训练数据有不同的学习率,而当学习率减小时,对应的训练数据对模型训练结果的影响也就小了。
接下来看一看tf.train.exponential_decay函数应用的两种形态(省略部分代码):
①第一种形态,global_step作为变量被优化,在这种形态下,global_step是变量,在最小化函数中传入global_step将自动更新global_step参数(global_step每轮迭代自动加一),从而使得学习率也得到相应更新:
进口tensorflow特遣部队 . . . #设置学习率 global_step=tf.Variable (tf.constant (0)) learning_rate=tf.train.exponential_decay (0.96, 0.01, global_step, 16日楼梯=True) #定义反向传播算法的优化方法 train_step=tf.train.AdamOptimizer (learning_rate)。最小化(cross_entropy global_step=global_step) . . . #创建会话 与tf.Session税(): . . . 因为我在范围(步骤): . . . #通过选取的样本训练神经网络并更新参数 sess.run (train_step feed_dict={x:[开始:结束],y_: Y[开始:结束]}) . . >之前。②第二种形态,global_step作为占位被饲料,在这种形态下,global_step是占位,在调用sess.run (train_step)时使用当前迭代的轮数我进行提要:
进口tensorflow特遣部队 . . . #设置学习率 global_step=tf.placeholder (tf。float32形状=()) learning_rate=tf.train.exponential_decay (0.96, 0.01, global_step, 16日楼梯=True) #定义反向传播算法的优化方法 train_step=tf.train.AdamOptimizer (learning_rate) .minimize (cross_entropy) . . . #创建会话 与tf.Session税(): . . . 因为我在范围(步骤): . . . #通过选取的样本训练神经网络并更新参数 sess.run (train_step feed_dict={x:[开始:结束],y_: Y(开始:结束),global_step:我}) . . >之前。
以上所述是小编给大家介绍的TensorFlow实现指数衰减学习率的方法,希望对大家有所帮助!
TensorFlow实现指数衰减学习率的方法