有关Tensorflow梯度下降常用的优化方法分享
作者：数学改变世界
今天小编就为大家分享一篇有关Tensorflow梯度下降常用的优化方法分享，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
1.tf.train.exponential_decay() 指数衰减学习率：
#tf.train.exponential_decay(learning_rate, global_steps, decay_steps, decay_rate, staircase=True/False)： #指数衰减学习率 #learning_rate-学习率 #global_steps-训练轮数 #decay_steps-完整的使用一遍训练数据所需的迭代轮数；=总训练样本数/batch #decay_rate-衰减速度 #staircase-衰减方式；=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；=alse，那就是每一步都更新学习速率。learning_rate = tf.train.exponential_decay( initial_learning_rate = 0.001 global_step = tf.Variable(0, trainable=False) decay_steps = 100 decay_rate = 0.95 total_loss = slim.losses.get_total_loss() learning_rate = tf.train.exponential_decay(initial_learning_rate, global_step, decay_steps, decay_rate, True, name='learning_rate') optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss, global_step)
2.tf.train.ExponentialMovingAverage(decay, steps) 滑动平均更新参数：
initial_learning_rate = 0.001 global_step = tf.Variable(0, trainable=False) decay_steps = 100 decay_rate = 0.95 total_loss = slim.losses.get_total_loss() learning_rate = tf.train.exponential_decay(initial_learning_rate, global_step, decay_steps, decay_rate, True, name='learning_rate') optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss, global_step) ema = tf.train.ExponentialMovingAverage(decay=0.9999) #tf.trainable_variables--返回的是需要训练的变量列表 averages_op = ema.apply(tf.trainable_variables()) with tf.control_dependencies([optimizer]): train_op = tf.group(averages_op)
以上这篇有关Tensorflow梯度下降常用的优化方法分享就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。