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

使用 index 衰減時間表的 LearningRateSchedule。

繼承自：LearningRateSchedule

用法

tf.keras.optimizers.schedules.ExponentialDecay(
    initial_learning_rate, decay_steps, decay_rate, staircase=False, name=None
)

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 index 衰減函數應用於優化器步驟。

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):
  return initial_learning_rate * decay_rate ^ (step / decay_steps)

如果參數 staircase 是 True ，則 step / decay_steps 是整數除法，衰減的學習率遵循階梯函數。

您可以將此計劃直接傳遞到 tf.keras.optimizers.Optimizer 作為學習率。示例：擬合 Keras 模型時，每 100000 步衰減一次，底數為 0.96：

initial_learning_rate = 0.1
lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
    initial_learning_rate,
    decay_steps=100000,
    decay_rate=0.96,
    staircase=True)

model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=lr_schedule),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(data, labels, epochs=5)

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。