Tensorflow——tf.train.exponential_decay函数(指数衰减法)

2020-03-16 10:20:42

在Tensorflow中，为解决设定学习率(learning rate)问题，提供了指数衰减法来解决。
通过tf.train.exponential_decay函数实现指数衰减学习率。

学习率较大容易搜索震荡（在最优值附近徘徊），学习率较小则收敛速度较慢，
那么可以通过初始定义一个较大的学习率，通过设置decay_rate来缩小学习率，减少迭代次数。
 tf.train.exponential_decay 就是用来实现这个功能。

 

步骤：

1. 首先使用较大学习率(目的：为快速得到一个比较优的解);
2. 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);

 

定义：

 tf.train.exponential_decay( learning_rate, global_step, decay_steps, decay_rate, staircase=True/False ) 

 

该函数的计算过程：

　　decayed_learning_rate = learning_rate * decay_rate^{global_step / decay_steps}

参数设置：

1. learning_rate = 学习速率
2. decay_rate = 0.96 # 衰减速率，即每一次学习都衰减为原来的0.96
3. 如果staircase=True，那么每decay_steps更新一次decay_rate，如果是False那么每一步都更新一次decay_rate。
   • 如果staircase为True,那么每decay_steps改变一次learning_rate，
   • 改变为learning_rate*(decay_rate^decay_steps)
   • 如果为False则，每一步都改变，为learning_rate*decay_rate
4. global_ = tf.placeholder(dtype=tf.int32)

代码演示：

import tensorflow as tf;  
import numpy as np;  
import matplotlib.pyplot as plt;  
  
learning_rate = 0.1  
decay_rate = 0.96  
global_steps = 1000  
decay_steps = 100  
  
global_ = tf.Variable(tf.constant(0))  
c = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=True)  
d = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=False)  
  
T_C = []  
F_D = []  
  
with tf.Session() as sess:  
    for i in range(global_steps):  
        T_c = sess.run(c,feed_dict={global_: i})  
        T_C.append(T_c)  
        F_d = sess.run(d,feed_dict={global_: i})  
        F_D.append(F_d)  
  
  
plt.figure(1)  
plt.plot(range(global_steps), F_D, 'r-')  
plt.plot(range(global_steps), T_C, 'b-')  
      
plt.show()  

分析：

　　初始的学习速率是0.1，总的迭代次数是1000次，如果staircase=True，那就表明每decay_steps次计算学习速率变化，更新原始学习速率，如果是False，那就是每一步都更新学习速率。

　　红色表示staircase=False，绿色表示staircase=True。

结果：