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
)

При обучении модели часто рекомендуется уменьшать скорость обучения по мере прогресса обучения. Эта функция применяет экспоненциальную функцию затухания к предоставленной начальной скорости обучения. Она требует global_step значения для вычисления затухающей скорости обучения. Вы можете просто передать переменную TensorFlow, которую вы инкрементируете на каждом шаге обучения.

Функция возвращает затухающую скорость обучения. 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 является целочисленным делением, и затухающая скорость обучения следует функции ступенчатой функции.

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)
)

При включённом режиме eager execution эта функция возвращает функцию, которая, в свою очередь, возвращает тензор затухающей скорости обучения. Это может быть полезно для изменения значения скорости обучения при различных вызовах функций оптимизатора.