tensorflow学习笔记(三十六)：learning rate decay.pdf

tensorflow学习笔记（三十六）：learningratedecaylearningratedecay在训练神经网络的时候，通常在训练刚开始的时候使用较大的learningrate，随着训练的进行，我们会慢慢的减小learningrate。对于这种常用的训练策略，tensorflow也提供了相应的API让我们可以更简单的将这个方法应用到我们训练网络的过程中。接口tf.train.exponential_decay(learning_rate,global_step,decay_steps,decay_rate,staircase=False,name=None)参数:learning_rate:初始的learningrateglobal_step:全局的step，与decay_step和decay_rate一起决定了learningrate的变化。更新公式：decayed_learning_rate=learning_rate*decay_rate^(global_step/decay_steps)用法：importtensorflowastfglobal_step=tf.Variable(0)initial_learning_rate=0.1#初始学习率learning_rate=tf.train.exponential_decay(initial_learning_rate,global_step=global_step,decay_steps=10,decay_rate=0.9)opt=tf.train.GradientDescentOptimizer(learning_rate)add_global=global_step.assign_add(1)withtf.Session()assess:tf.global_variables_initializer().run()print(sess.run(learning_rate))foriinrange(10):_,rate=sess.run([add_global,learning_rate])print(rate)