神经网络-实现学习率随迭代次数变化

1.需要变化的学习率的原因:经历一段时间的学习之后,我们距离目标值越来越近,此时如果学习率太大,则会造成训练在最优值附近来回波动,这时候我们就需要减少学习率

2.实现:学习率是在Optimizer中使用,我们每次迭代通过tf.assign修改学习率

3.note:    tf.assign(ref, value, validate_shape=None, use_locking=None, name=None)

将value赋值给ref,其中：ref 必须是tf.Variable创建的tensor，如果ref=tf.constant()会报错！

以下是详细的实现代码:

#3-3 MNIst数据集使用drop-out提升准确率,消除部分过拟合

import tensorflow as tf;

import numpy as np;

from tensorflow.examples.tutorials.mnist import input_data

#原始数据

mnist =input_data.read_data_sets( "MNIST_data", one_hot = True)

x =tf.placeholder(tf.float32, shape =[ None, 784])

y &#