TensorFlow 的学习效率的指数衰减法

train_step = tf.train.GradientDescentOptimizer(x)

在之前的几个例子中都出现了如上代码。

这个优化算法的参数就是学习效率。那么这个学习效率是什么意思，到底取什么样的值比较好呢？

 

之前已经讲过，优化算法会反向修改函数中设置为Variable的变量值，使得误差逐步缩小。而这里的学习效率就是Variable更新变化的幅度。

如果幅度过大，参数就很可能跨过最优值，最后在最优值的两侧来回浮动。

如果幅度太小，又会大大的增加学习时间。

 

比较理想的做法是，在学习初期，将这个值设的大一些，当逐渐靠近最优解的时候，逐渐缩小学习效率使得获得的值更加靠近最优值。

TensorFlow就为我们提供了这种方法：指数衰减法

tf.train.exponential_decay

它实现的功能类似如下代码

decayed_learning_rate = learning_rate * decay_rate^(global_step/decay_steps)

• decayed_learning_rate:  优化后的每一轮的学习效率。
• learning_rate:               最初设置的学习效率。
• decay_rate:                  衰减系数。
• decay_steps:                衰减速度。

将demo1的代码稍作修改，加入今天我们讲到的函数，并且以图形化的方式输出。

我们会看到，原来0.1的学习效率，所产生的线与我们正确线在有一段距离的地方开始上下浮动，不再靠近我们正确值的线段。

而给学习效率加上指数衰减算法后，很快我们的生成的线段就与正确值几乎重合了。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

x_data = np.random.rand(50).astype(np.float32)
y_data = x_data * 0.1 + 0.3;
###
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss=tf.reduce_mean(tf.square(y-y_data))

global_step = tf.Variable(0)

learning_rate = tf.train.exponential_decay(0.1,global_step,100,0.96,staircase=True)
learning_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)

init = tf.global_variables_initializer()
###

sess = tf.Session()
sess.run(init)

fig = plt.figure()
ax = fig.add_subplot(1,1,1)

plt.ion()
plt.show()


for step in range(300):
    sess.run(learning_step)
    if step % 20 == 0:
        y_value=sess.run(y)
        ax.scatter(x_data,y_data)
        ax.scatter(x_data,y_value)
        plt.pause(1)