TensorFlow實現指數衰減學習率的方法
在TensorFlow中,tf.train.exponential_decay函數實現了指數衰減學習率,通過這個函數,可以先使用較大的學習率來快速得到一個比較優(yōu)的解,然后隨著迭代的繼續(xù)逐步減小學習率,使得模型在訓練后期更加穩(wěn)定。
tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase, name)函數會指數級地減小學習率,它實現了以下代碼的功能:
#tf.train.exponential_decay函數可以通過設置staircase參數選擇不同的學習率衰減方式
#staircase參數為False(默認)時,選擇連續(xù)衰減學習率:
decayed_learning_rate = learning_rate * math.pow(decay_rate, global_step / decay_steps)
#staircase參數為True時,選擇階梯狀衰減學習率:
decayed_learning_rate = learning_rate * math.pow(decay_rate, global_step // decay_steps)
①decayed_leaming_rate為每一輪優(yōu)化時使用的學習率;
②leaming_rate為事先設定的初始學習率;
③decay_rate為衰減系數;
④global_step為當前訓練的輪數;
⑤decay_steps為衰減速度,通常代表了完整的使用一遍訓練數據所需要的迭代輪數,這個迭代輪數也就是總訓練樣本數除以每一個batch中的訓練樣本數,比如訓練數據集的大小為128,每一個batch中樣例的個數為8,那么decay_steps就為16。
當staircase參數設置為True,使用階梯狀衰減學習率時,代碼的含義是每完整地過完一遍訓練數據即每訓練decay_steps輪,學習率就減小一次,這可以使得訓練數據集中的所有數據對模型訓練有相等的作用;當staircase參數設置為False,使用連續(xù)的衰減學習率時,不同的訓練數據有不同的學習率,而當學習率減小時,對應的訓練數據對模型訓練結果的影響也就小了。
接下來看一看tf.train.exponential_decay函數應用的兩種形態(tài)(省略部分代碼):
①第一種形態(tài),global_step作為變量被優(yōu)化,在這種形態(tài)下,global_step是變量,在minimize函數中傳入global_step將自動更新global_step參數(global_step每輪迭代自動加一),從而使得學習率也得到相應更新:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
import tensorflow as tf . . . #設置學習率 global_step = tf.Variable(tf.constant( 0 )) learning_rate = tf.train.exponential_decay( 0.01 , global_step, 16 , 0.96 , staircase = True ) #定義反向傳播算法的優(yōu)化方法 train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy, global_step = global_step) . . . #創(chuàng)建會話 with tf.Session() as sess: . . . for i in range (STEPS): . . . #通過選取的樣本訓練神經網絡并更新參數 sess.run(train_step, feed_dict = {x:X[start:end], y_:Y[start:end]}) . . . |
②第二種形態(tài),global_step作為占位被feed,在這種形態(tài)下,global_step是占位,在調用sess.run(train_step)時使用當前迭代的輪數i進行feed:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
import tensorflow as tf . . . #設置學習率 global_step = tf.placeholder(tf.float32, shape = ()) learning_rate = tf.train.exponential_decay( 0.01 , global_step, 16 , 0.96 , staircase = True ) #定義反向傳播算法的優(yōu)化方法 train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy) . . . #創(chuàng)建會話 with tf.Session() as sess: . . . for i in range (STEPS): . . . #通過選取的樣本訓練神經網絡并更新參數 sess.run(train_step, feed_dict = {x:X[start:end], y_:Y[start:end], global_step:i}) . . . |
總結
以上所述是小編給大家介紹的TensorFlow實現指數衰減學習率的方法,希望對大家有所幫助!