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

一個 LearningRateSchedule，它使用帶有重新啟動的餘弦衰減時間表。

繼承自：LearningRateSchedule

用法

tf.keras.optimizers.schedules.CosineDecayRestarts(
    initial_learning_rate, first_decay_steps, t_mul=2.0, m_mul=1.0, alpha=0.0,
    name=None
)

一個 1-arg 可調用學習率計劃，它采用當前優化器步驟並輸出衰減的學習率，一個與 initial_learning_rate 類型相同的標量 Tensor 。

參數

initial_learning_rate 標量 float32 或 float64 張量或 Python 數字。初始學習率。
first_decay_steps 標量 int32 或 int64 Tensor 或 Python 編號。要衰減的步數。
t_mul 標量 float32 或 float64 Tensor 或 Python 編號。用於導出i-th 周期內的迭代次數。
m_mul 標量 float32 或 float64 Tensor 或 Python 編號。用於導出i-th周期的初始學習率。
alpha 標量 float32 或 float64 張量或 Python 數字。最小學習率值作為initial_learning_rate 的一部分。
name String 。操作的可選名稱。默認為'SGDRDecay'。

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，此計劃將重新啟動的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。

對於 first_decay_steps 步驟，學習率乘數首先從 1 衰減到 alpha。然後，執行熱重啟。每個新的熱重啟運行 t_mul 次更多的步驟，並以 m_mul 次初始學習率作為新的學習率。

示例用法：

first_decay_steps = 1000
lr_decayed_fn = (
  tf.keras.optimizers.schedules.CosineDecayRestarts(
      initial_learning_rate,
      first_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。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.keras.optimizers.schedules.CosineDecayRestarts。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法

返回

參數

示例用法：