tf.compat.v1.train.natural_exp_decay

Применяет естественное экспоненциальное затухание к начальной скорости обучения.

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

При обучении модели часто рекомендуется снижать скорость обучения по мере прогресса обучения. Эта функция применяет функцию экспоненциального затухания к предоставленной начальной скорости обучения. Она требует значения global_step 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 как:

decayed_learning_rate = learning_rate * exp(-decay_rate * global_step /
decay_step)

или, если staircase равно True, как:

decayed_learning_rate = learning_rate * exp(-decay_rate * floor(global_step /
decay_step))

Пример: затухание экспоненциально с основанием 0,96:

...
global_step = tf.Variable(0, trainable=False)
learning_rate = 0.1
decay_steps = 5
k = 0.5
learning_rate = tf.compat.v1.train.natural_exp_decay(learning_rate,
global_step,
                                           decay_steps, k)

# 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 включенном режиме eager выполнения эта функция возвращает функцию, которая в свою очередь возвращает тензор затухающей скорости обучения. Это может быть полезно для изменения значения скорости обучения при разных вызовах функций оптимизатора.