在训练神经网络时，需要设置学习率（leaming rate）来控制参数更新的速度，学习率决定了参数每次更新的幅度，如果幅度过大，那么可能导致参数在极优值的两侧来回移动，如果幅度过小，虽然能保证收敛性，但是这会大大降低优化速度。

为了解决设定学习率的问题，TensorFlow 提供了一种更加灵活的学习率设置方法——指数衰减法，通过指数衰减的学习率既可以让模型在训练的前期快速接近较优解，又可以保证模型在训练后期不会有太大的波动，从而更加接近局部最优。

在 TensorFlow 中，tf.train.exponential_decay 函数实现了指数衰减学习率，通过这个函数，可以先使用较大的学习率来快速得到一个比较优的解，然后随着迭代的继续逐步减小学习率，使得模型在训练后期更加稳定。

指数衰减图像python代码 指数衰减函数模型_数据


tf.train.exponential_decay(learning_rate, global_step, decay_steps, decay_rate, staircase, name) 函数会指数级地减小学习率，它实现了以下代码的功能：

# tf.train.exponential_decay 函数可以通过设置 staircase 参数选择不同的学习率衰减方式

# staircase 参数为 False（默认）时，选择连续衰减学习率：
decayed_learning_rate = learning_rate * math.pow(decay_rate, global_step / decay_steps)

# staircase 参数为 True 时，选择阶梯状衰减学习率：
decayed_learning_rate = learning_rate * math.pow(decay_rate, global_step // decay_steps)
  • decayed_leaming_rate：每一轮优化时使用的学习率；
  • leaming_rate：事先设定的初始学习率；
  • decay_rate：衰减系数；
  • global_step：当前训练的轮数；
  • decay_steps：衰减速度，通常代表了完整的使用一遍训练数据所需要的迭代轮数，这个迭代轮数也就是总训练样本数除以每一个 batch 中的训练样本数，比如训练数据集的大小为 128，每一个 batch 中样例的个数为 8，那么 decay_steps 就为 16；
  • staircase：
  • 当 staircase 参数设置为 True，使用阶梯状衰减学习率时，代码的含义是每完整地过完一遍训练数据即每训练 decay_steps 轮，学习率就减小一次，这可以使得训练数据集中的所有数据对模型训练有相等的作用；
  • 当 staircase 参数设置为 False，使用连续的衰减学习率时，不同的训练数据有不同的学习率，而当学习率减小时，对应的训练数据对模型训练结果的影响也就小了。

接下来看一看 tf.train.exponential_decay 函数应用的两种形态（省略部分代码）：

  • 第一种形态，global_step 作为变量被优化，在这种形态下，global_step 是变量，在 minimize 函数中传入 global_step 将自动更新 global_step 参数（global_step 每轮迭代自动加一），从而使得学习率也得到相应更新：
import tensorflow as tf
 	 	.
		.
		.
#设置学习率
global_step = tf.Variable(tf.constant(0))
learning_rate = tf.train.exponential_decay(0.01, global_step, 16, 0.96, staircase=True)
#定义反向传播算法的优化方法
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy, global_step=global_step)
 	 	.
		.
		.
#创建会话
with tf.Session() as sess:
	 	.
		.
		.
    for i in range(STEPS):
	 	.
		.
		.
        #通过选取的样本训练神经网络并更新参数
        sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end]})
        .
		.
		.
  • 第二种形态，global_step 作为占位被 feed，在这种形态下，global_step 是占位，在调用 sess.run(train_step) 时使用当前迭代的轮数 i 进行 feed：
import tensorflow as tf
	 	.
		.
		.
#设置学习率	
global_step = tf.placeholder(tf.float32, shape=())
learning_rate = tf.train.exponential_decay(0.01, global_step, 16, 0.96, staircase=True)
#定义反向传播算法的优化方法
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
	 	.
		.
		.
#创建会话
with tf.Session() as sess:
	 	.
		.
		.
    for i in range(STEPS):
	 	.
		.
		.
        #通过选取的样本训练神经网络并更新参数
        sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end], global_step:i})
	 	.
		.
		.