Python tf.keras.optimizers.schedules.CosineDecay用法及代碼示例

使用餘弦衰減時間表的 LearningRateSchedule。

繼承自：LearningRateSchedule

用法

tf.keras.optimizers.schedules.CosineDecay(
    initial_learning_rate, decay_steps, alpha=0.0, name=None
)

參見 Loshchilov & Hutter, ICLR2016, SGDR:Stochastic Gradient Descent with Warm Restarts。

在訓練模型時，隨著訓練的進行降低學習率通常很有用。給定提供的初始學習率，此計劃將餘弦衰減函數應用於優化器步驟。它需要一個step 值來計算衰減的學習率。您可以隻傳遞一個 TensorFlow 變量，該變量在每個訓練步驟中遞增。

該計劃是一個 1-arg 可調用對象，當通過當前優化器步驟時會產生衰減的學習率。這對於在優化器函數的不同調用中更改學習率值很有用。它被計算為：

def decayed_learning_rate(step):
  step = min(step, decay_steps)
  cosine_decay = 0.5 * (1 + cos(pi * step / decay_steps))
  decayed = (1 - alpha) * cosine_decay + alpha
  return initial_learning_rate * decayed

示例用法：

decay_steps = 1000
lr_decayed_fn = tf.keras.optimizers.schedules.CosineDecay(
    initial_learning_rate, decay_steps)

您可以將此計劃直接傳遞到 tf.keras.optimizers.Optimizer 作為學習率。學習率計劃也可以使用 tf.keras.optimizers.schedules.serialize 和 tf.keras.optimizers.schedules.deserialize 進行序列化和反序列化。