优化之——滑动平均模型

滑动平均模型可以使模型在测试数据上更加健壮。仅用于测试数据。
shadow_variable = decay*shadow_variable+(1-decay)*variable
decay为衰减率, variable为待更新的变量。

decay=min(decay_base,(1+global_step)/(10+global_step))

decay越大模型越稳定,一般设置为0.999,,通过设置global_step,动态的设置decay的大小,使模型前期更新更快

variable_averages = tf.train.ExponentialMovingAverage(
      MOVING_AVERAGE_DECAY, global_step)
variables_averages_op = variable_averages.apply(tf.trainable_variables())

tf.trainable_variables()为图上集合中未指定trainable=False的参数。 
with tf.control_dependencies[variables_averages_op]):
    train_op = tf.no_op(name='train')
sess.run(train_op)对影子变量进行更新。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值