| global | 您所在的位置：网站首页 › tftrainexponential_decay › global |
global
|
tf.train.get_global_step() 方法返回的是的 global_step作为name的tensor, 如 。 tensor参数与global_step = tf.Variable(0, name=“global_step”, trainable=False) 完全相同。 tensorflow中不少方法是存在global_step 参数的，比如optimizer.minimize(loss, global_step= tf.train.get_global_step() ) 这个参数可以传入tf.train.get_global_step()方法，也可以传入普通的Variable，即name任意。每次打开tf.Session()并运行该方法时，系统会自动为传入的global_step参数+1。 在这里你可能会问，既然能传入普通Variable，为什么还要有global_step 作为name的tensor？ 个人认为这是为了使代码清晰吧，毕竟global_step是比较常用的变量，如果和普通Variable混在一起就降低了代码的可读性。 以下给出代码示例： x = tf.placeholder(tf.float32, shape=[None], name='x') y = tf.placeholder(tf.float32, shape=[None], name='y') w = tf.Variable(tf.truncated_normal(shape=[2], mean=0, stddev=0.1)) # gl_v = tf.Variable(0, trainable=False) gl = tf.train.get_global_step() learning_rate = tf.train.exponential_decay(0.1, gl, 10, 2, staircase=False) loss = tf.square(w*x+y) train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=gl) with tf.Session() as sess: sess.run(tf.initialize_all_variables()) for i in range(10): print ('gl before run:',sess.run(gl)) sess.run(train_step, feed_dict={x:np.array([10,10]), y:np.array([10,10])}) print (sess.run(learning_rate)) print ('gl after run:',sess.run(gl)) print('\n') exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase=False, name=None)使用方式为 tf.train.exponential_decay( )在 Tensorflow 中，exponential_decay()是应用于学习率的指数衰减函数（实现指数衰减学习率）。 在训练模型时，通常建议随着训练的进行逐步降低学习率。该函数需要`global_step`值来计算衰减的学习速率。 该函数返回衰减后的学习率。该函数的计算方程式如下
参数： learning_rate - 初始学习率 global_step - 用于衰减计算的全局步骤。 一定不为负数。 喂入一次 BACTH_SIZE 计为一次 global_step decay_steps - 衰减速度，一定不能为负数，每间隔decay_steps次更新一次learning_rate值decay_rate - 衰减系数，衰减速率，其具体意义参看函数计算方程(对应α^t中的α)。staircase - 若 ‘ True ’ ，则学习率衰减呈 ‘ 离散间隔 ’ （discrete intervals），具体地讲，`global_step / decay_steps`是整数除法，衰减学习率（ the decayed learning rate ）遵循阶梯函数；若为 ’ False ‘ ，则更新学习率的值是一个连续的过程，每步都会更新学习率。返回值： 与初始学习率 ‘ learning_rate ’ 相同的标量 ’ Tensor ‘ 。优点： 训练伊始可以使用较大学习率，以快速得到比较优的解。后期通过逐步衰减后的学习率进行迭代训练，以使模型在训练后期更加稳定。示例： import tensorflow as tf import matplotlib.pyplot as plt learning_rate = 0.1 decay_rate = 0.96 global_steps = 1000 decay_steps = 100 global_step = tf.Variable(0, trainable = Fasle) c = tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase=True) d = tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase=False) T_C = [] F_D = [] with tf.Session() as sess: for i in range(global_steps): T_c = sess.run(c, feed_dict={global_step: i}) T_C.append(T_c) F_d = sess.run(d, feed_dict={global_step: i}) F_D.append(F_d) plt.figure(1) plt.plot(range(global_steps), F_D, 'r-') plt.plot(range(global_steps), T_C, 'b-') plt.show()
运行
备注： （1）台阶形状的蓝色线是 staircase = True 线条形状的红色线是 staircase = Fasle （2）初始学习率 learning_rate 为0.1，总训练次数 global_setps 为 1000 次；staircase=True时，每隔 decay_steps = 100 次更新一次 学习率 learning_rate，而staircase=True时，每一步均会更新一次学习率 learning_rate ， （3）训练过程中，decay_rate的数值保持步不变。 |
【本文地址】