Python tf.compat.v1.train.exponential_decay用法及代码示例

对学习率应用 index 衰减。

用法

tf.compat.v1.train.exponential_decay(
    learning_rate, global_step, decay_steps, decay_rate, staircase=False, name=None
)

在训练模型时，通常建议随着训练的进行降低学习率。此函数将 index 衰减函数应用于提供的初始学习率。它需要一个global_step 值来计算衰减的学习率。您可以只传递一个 TensorFlow 变量，该变量在每个训练步骤中递增。

该函数返回衰减的学习率。它被计算为：

decayed_learning_rate = learning_rate *
                        decay_rate ^ (global_step / decay_steps)

如果参数 staircase 是 True ，则 global_step / decay_steps 是整数除法，衰减的学习率遵循阶梯函数。

示例：每 100000 步衰减一次，底数为 0.96：

...
global_step = tf.Variable(0, trainable=False)
starter_learning_rate = 0.1
learning_rate = tf.compat.v1.train.exponential_decay(starter_learning_rate,
global_step,
                                           100000, 0.96, staircase=True)
# Passing global_step to minimize() will increment it at each step.
learning_step = (
    tf.compat.v1.train.GradientDescentOptimizer(learning_rate)
    .minimize(...my loss..., global_step=global_step)
)

eager模式兼容性

当启用即刻执行时，此函数返回一个函数，该函数又返回衰减的学习率张量。这对于在优化器函数的不同调用中更改学习率值很有用。