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

使用多項式衰減時間表的 LearningRateSchedule。

繼承自：LearningRateSchedule

用法

tf.keras.optimizers.schedules.PolynomialDecay(
    initial_learning_rate, decay_steps, end_learning_rate=0.0001, power=1.0,
    cycle=False, name=None
)

通常觀察到，單調遞減的學習率(其變化程度經過精心選擇)會產生更好的模型。在給定 initial_learning_rate 的情況下，此計劃將多項式衰減函數應用於優化器步驟，以達到給定 decay_steps 中的 end_learning_rate。

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)
  return ((initial_learning_rate - end_learning_rate) *
          (1 - step / decay_steps) ^ (power)
         ) + end_learning_rate

如果 cycle 為 True 則使用 decay_steps 的倍數，第一個大於 step 。

def decayed_learning_rate(step):
  decay_steps = decay_steps * ceil(step / decay_steps)
  return ((initial_learning_rate - end_learning_rate) *
          (1 - step / decay_steps) ^ (power)
         ) + end_learning_rate

您可以將此計劃直接傳遞到 tf.keras.optimizers.Optimizer 作為學習率。示例：擬合模型，同時使用 sqrt 以 10000 步從 0.1 衰減到 0.01(即 power=0.5)：

...
starter_learning_rate = 0.1
end_learning_rate = 0.01
decay_steps = 10000
learning_rate_fn = tf.keras.optimizers.schedules.PolynomialDecay(
    starter_learning_rate,
    decay_steps,
    end_learning_rate,
    power=0.5)

model.compile(optimizer=tf.keras.optimizers.SGD(
                  learning_rate=learning_rate_fn),
              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。