神经网络的学习率决定了参数每次更新的幅度,如果学习率过小,需要更多轮的迭代才能达到一个比较理 想的优化效果,如果过大,可能导致参数在极优值的两侧来回移动。TensorFlow提供了一种灵活的学习率设置 方法—— 指数衰减法
语法:tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase=False, name=None)
参数说明:
- learning_rate为事先设定的初始学习率。
- global_step为全局步数,系统会自动更新这个参数的值,从1开始,每迭代一次加1。
- decay_steps为衰减速度。
- decay_rate为衰减系数(取值0到1)。
- staircase默认值为False,连续衰减。当为Trueb表示学习率阶梯式衰减。
代码实现的公式:decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)
当设置为 True 时, global_step / decay_steps 会被转化为 整数,使得学习率成为一个 阶梯函数(staircase function),这时,decay_steps 通常设置为完整训练一个 batch 所需要的迭代轮数,这样一个batch中的每个数据对模型训练有相等的作用,而每完整的训练一个batch, 学习率就减小一次。
一般来说,初始学习率、衰减系数和衰减速度都是根据经验设置的,而且代价函 数下降的速度和迭代结束之后总代价的大小没