使用多項式衰減時間表的 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
)
返回
-
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
Tensor
或 Python 編號。初始學習率。 -
decay_steps
標量int32
或int64
Tensor
或 Python 編號。必須是積極的。請參閱上麵的衰減計算。 -
end_learning_rate
標量float32
或float64
Tensor
或 Python 編號。最小的最終學習率。 -
power
標量float32
或float64
Tensor
或 Python 編號。多項式的冪。默認為線性,1.0。 -
cycle
一個布爾值,它是否應該循環超過decay_steps。 -
name
String 。操作的可選名稱。默認為'PolynomialDecay'。
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。
相關用法
- Python tf.keras.optimizers.schedules.PiecewiseConstantDecay用法及代碼示例
- Python tf.keras.optimizers.schedules.serialize用法及代碼示例
- Python tf.keras.optimizers.schedules.ExponentialDecay用法及代碼示例
- Python tf.keras.optimizers.schedules.deserialize用法及代碼示例
- Python tf.keras.optimizers.schedules.CosineDecay用法及代碼示例
- Python tf.keras.optimizers.schedules.CosineDecayRestarts用法及代碼示例
- Python tf.keras.optimizers.schedules.InverseTimeDecay用法及代碼示例
- Python tf.keras.optimizers.serialize用法及代碼示例
- Python tf.keras.optimizers.Optimizer.set_weights用法及代碼示例
- Python tf.keras.optimizers.Adam用法及代碼示例
- Python tf.keras.optimizers.Adamax用法及代碼示例
- Python tf.keras.optimizers.SGD用法及代碼示例
- Python tf.keras.optimizers.Optimizer用法及代碼示例
- Python tf.keras.optimizers.Nadam用法及代碼示例
- Python tf.keras.optimizers.RMSprop用法及代碼示例
- Python tf.keras.optimizers.Optimizer.apply_gradients用法及代碼示例
- Python tf.keras.optimizers.Ftrl用法及代碼示例
- Python tf.keras.optimizers.Optimizer.get_weights用法及代碼示例
- Python tf.keras.applications.inception_resnet_v2.preprocess_input用法及代碼示例
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.PolynomialDecay。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。