tensorflow之exponential_decay

在Tensorflow中，为解决设定学习率(learning rate)问题，提供了指数衰减法来解决。

通过tf.train.exponential_decay函数实现指数衰减学习率。

步骤：1.首先使用较大学习率(目的：为快速得到一个比较优的解);

             2.然后通过迭代逐步减小学习率(目的：为使模型在训练后期更加稳定);

该函数返回的是一个新的学习率

实例如下：

learning_rate = 0.1
decay_rate = 0.96
global_steps = 1000
decay_steps = 100
 
global_ = tf.Variable(tf.constant(0))
c = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=True)
d = tf.train.exponential_decay(learning_rate, global_, 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_: i})
		T_C.append(T_c)
		F_d = sess.run(d,feed_dict={global_: 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()

 输出：

初始的学习速率是0.1，总的迭代次数是1000次，如果staircase=True，那就表明每decay_steps次计算学习速率变化，更新原始学习速率，如果是False，那就是每一步都更新学习速率。红色表示False，绿色表示True。