tf.compat.v1.train.exponential_decay

Применяет экспоненциальное затухание к скорости обучения.

tf.compat.v1.train.exponential_decay(
    learning_rate,
    global_step,
    decay_steps,
    decay_rate,
    staircase=False,
    name=None
)

Используется в блокнотах

При обучении модели часто рекомендуется снижать скорость обучения по мере продвижения обучения. Эта функция применяет экспоненциальное затухание к заданной начальной скорости обучения. Для вычисления скорости обучения с учетом затухания требуется значение global_step. Можно просто передать переменную TensorFlow, значение которой увеличивается на каждом шаге обучения.

Функция возвращает скорость обучения с учетом затухания. Она вычисляется следующим образом:

decayed_learning_rate = learning_rate *
                        decay_rate ^ (global_step / decay_steps)

Если аргумент staircase равен True, то global_step / decay_steps — целочисленное деление, и скорость обучения с учетом затухания изменяется ступенчато.

Пример: затухание каждые 100000 шагов с основанием 0.96:

...
global_step = tf.Variable(0, trainable=False)
starter_learning_rate = 0.1
learning_rate = tf.compat.v1.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.compat.v1.train.GradientDescentOptimizer(learning_rate)
    .minimize(...my loss..., global_step=global_step)
)

Если включено немедленное выполнение, эта функция возвращает функцию, которая, в свою очередь, возвращает тензор скорости обучения с учетом затухания. Это может быть полезно для изменения значения скорости обучения при разных вызовах функций оптимизатора.