global_step在滑动平均、优化器、指数衰减学习率等方面都有用到,这个变量的实际意义非常好理解:代表全局步数,比如在多少步该进行什么操作,现在神经网络训练到多少轮等等,类似于一个钟表。
根据代码可以发现global_step的初始化值是0:
global_step=tf.Variable(0, trainable=False)
这个初始化代码十分简单,但也是问题所在。如果global_step直接赋值为0了,还怎么表示全局的步数?
当助教的时候,有一个学妹问我关于global_step的操作问题,我一时没回答上来,global_step到底是怎么完成自动加1的。
关于这个问题在CSDN查到一篇文章《tensorflow中的关键字global_step使用》
稍微改了一下人家的代码:
-
import tensorflow
as tf
-
import numpy
as np
-
-
x = tf.placeholder(tf.float32, shape=[
None,
1], name=
'x')
-
y = tf.placeholder(tf.float32, shape=[
None,
1], name=
'y')
-
w = tf.Variable(tf.constant(
0.0))
-
-
global_steps = tf.Variable(
0, trainable=
False)
-
-
-
learning_rate = tf.train.exponential_decay(
0.1, global_steps,
10,
2, staircase=
False)
-
loss = tf.pow(w*x-y,
2)
-
-
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_steps)
-
-
with tf.Session()
as sess:
-
sess.run(tf.global_variables_initializer())
-
for i
in range(
10):
-
sess.run(train_step, feed_dict={x:np.linspace(
1,
2,
10).reshape([
10,
1]),
-
y:np.linspace(
1,
2,
10).reshape([
10,
1])})
-
print(sess.run(learning_rate))
-
print(sess.run(global_steps))
输出为:
0.107177
1
0.11487
2
0.123114
3
0.131951
4
0.141421
5
0.151572
6
0.16245
7
0.17411
8
0.186607
9
0.2
10
这里的global_tep确实完成自动加1了,但具体为什么自动加一,原文章里面也没有提到。
经过多次修改代码验证之后得出,如果把
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_steps)
后面部分的global_step=global_steps去掉,global_step的自动加一就会失效,输出如下:
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
因为指数衰减的学习率是伴随global_step的变化而衰减的,所以当global_step不改变时,学习率也变成一个定值。
综上所述:损失函数优化器的minimize()中global_step=global_steps能够提供global_step自动加一的操作。
这里有个额外的疑虑说明:global_steps是等号右边,在编程语言里面通常当作定值(即不会受函数影响)赋值给等号左边的global_step。然而,在这个优化器里面能够使得右边的变量自动加一。这确实是编程语言里面少见的,也是需要特别注意的。
—
以上是原文
后期解答: tf.Variable定义的变量是tf自定义的数据结构,以张量形式存在于网络当中。这也是w, b以及global_steps能被后台改变的原因。上面那个问题也是这个原因,global_steps在右边,但它不是简单的value,而是特殊的数据结构(tensorflow框架使然)。
</div>