大家好，又见面了，我是你们的朋友全栈君。
学习率
学习率属于超参数。学习率决定梯度下降速度的快慢，学习率越大，速度越快；学习率越小，速度越慢。如果学习率过大，很可能会越过最优值；反而如果学习率过小，优化的效率可能过低，长时间算法无法收敛。所以学习率对于算法性能的表现至关重要。
指数衰减学习率
指数衰减学习率是在学习率的基础上增加了动态变化的机制，会随着梯度下降变化而动态变化
tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase=False, name=None)
- learn_rate：事先设定的初始学习率
- global_step：训练轮数
- decay_steps：衰减速度。staircase=True：代表了完整的使用一遍训练数据所需要的迭代轮数（=总训练样本数/每个batch中的训练样本数）
- decay_rate：衰减系数
- staircase：默认为
False，此时学习率随迭代轮数的变化是连续的(指数函数)；为True时，global_step/decay_steps会转化为整数，此时学习率便是阶梯函数
步骤：
- 首先使用较大学习率(目的：为快速得到一个比较优的解);
- 然后通过迭代逐步减小学习率(目的：为使模型在训练后期更加稳定);
模板：
global_step = tf.Variable(0)
learning_rate = tf.train.exponential_decay(0.1, global_step, 1, 0.96, staircase=True) #生成学习率
learning_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(....., global_step=global_step) #使用指数衰减学习率
实例代码：
TRAINING_STEPS = 100
global_step = tf.Variable(0)
LEARNING_RATE = tf.train.exponential_decay(
0.1, global_step, 1, 0.96, staircase=True)
x = tf.Variable(tf.constant(5, dtype=tf.float32), name="x")
y = tf.square(x)
train_op = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(
y, global_step=global_step)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(TRAINING_STEPS):
sess.run(train_op)
if i % 10 == 0:
LEARNING_RATE_value = sess.run(LEARNING_RATE)
x_value = sess.run(x)
print("After %s iteration(s): x%s is %f, learning rate is %f." %
(i + 1, i + 1, x_value, LEARNING_RATE_value))
关于global_step的探究：
- global_step – 用于衰减计算的全局步骤。 一定不为负数。
- 喂入一次 BACTH_SIZE 计为一次 global_step
- 每间隔decay_steps次更新一次learning_rate值
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/137629.html原文链接：https://javaforall.net
