随时间慢慢减少学习率来加快学习算法
在使用mini-batch梯度下降法时,mini-batch数量不大,大概64或者128个样本,在迭代过程中会有噪音(蓝色线),下降朝向最小值,但是不会精确地收敛,所以你的算法最后在附近摆动,并不会真正收敛,因为你用的是固定值,不同的mini-batch中有噪音。
但要慢慢减少学习率的话,在初期的时候,学习率还较大,你的学习还是相对较快,但随着变小,你的步伐也会变慢变小,所以最后你的曲线(绿色线)会在最小值附近的一小块区域里摆动,而不是在训练过程中,大幅度在最小值附近摆动。
所以慢慢减少的本质在于,在学习初期,你能承受较大的步伐,但当开始收敛的时候,小一些的学习率能让你步伐小一些。
实现方法:
方法1:
decay-rate:衰减率
epoch-num:代数
:初始学习率
方法2:
指数衰减:
方法3:
方法4:
方法4:
手动衰减。如果一次只训练一个模型,如果花上数小时或数天来训练,看看自己的模型训练,耗上数日,学习速率变慢了,然后把调小一点。
但这种方法只是在模型数量小的时候有用。