我正在使用TensorFlow来训练神经网络。这就是我初始化GradientDescentOptimizer
的方法
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
mse = tf.reduce_mean(tf.square(out - out_))
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(mse)
这里的问题是,我不知道如何为学习率或衰减值设置更新规则。
如何在这里使用自适应学习率?
发布于 2015-11-26 01:28:00
首先,tf.train.GradientDescentOptimizer
被设计为在所有步骤中对所有变量使用恒定的学习率。TensorFlow还提供了开箱即用的自适应优化器,包括tf.train.AdagradOptimizer
和tf.train.AdamOptimizer
,这些可以作为替代。
但是,如果您希望使用普通的梯度下降来控制学习率,则可以利用tf.train.GradientDescentOptimizer
constructor的learning_rate
参数可以是Tensor
对象这一事实。这允许您在每个步骤中计算不同的学习率值,例如:
learning_rate = tf.placeholder(tf.float32, shape=[])
# ...
train_step = tf.train.GradientDescentOptimizer(
learning_rate=learning_rate).minimize(mse)
sess = tf.Session()
# Feed different values for learning rate to each training step.
sess.run(train_step, feed_dict={learning_rate: 0.1})
sess.run(train_step, feed_dict={learning_rate: 0.1})
sess.run(train_step, feed_dict={learning_rate: 0.01})
sess.run(train_step, feed_dict={learning_rate: 0.01})
或者,您可以创建保存学习率的标量tf.Variable
,并在每次要更改学习率时指定它。
发布于 2015-11-26 14:14:54
Tensorflow提供了一个op来自动将指数衰减应用于学习率张量:tf.train.exponential_decay
。有关它的使用示例,请参阅this line in the MNIST convolutional model example。然后使用上面的@mrry建议将这个变量作为learning_rate参数提供给您选择的优化器。
要看的关键摘录是:
# Optimizer: set up a variable that's incremented once per batch and
# controls the learning rate decay.
batch = tf.Variable(0)
learning_rate = tf.train.exponential_decay(
0.01, # Base learning rate.
batch * BATCH_SIZE, # Current index into the dataset.
train_size, # Decay step.
0.95, # Decay rate.
staircase=True)
# Use simple momentum for the optimization.
optimizer = tf.train.MomentumOptimizer(learning_rate,
0.9).minimize(loss,
global_step=batch)
注意要最小化的global_step=batch
参数。这告诉优化器在每次训练时为你增加'batch‘参数。
发布于 2017-03-21 16:35:14
来自tensorflow官方文档
global_step = tf.Variable(0, trainable=False)
starter_learning_rate = 0.1
learning_rate = tf.train.exponential_decay(starter_learning_rate, global_step,
100000, 0.96, staircase=True)
# Passing global_step to minimize() will increment it at each step.
learning_step = (
tf.train.GradientDescentOptimizer(learning_rate)
.minimize(...my loss..., global_step=global_step))
https://stackoverflow.com/questions/33919948
复制相似问题