PolynomialDecay（多项式衰减）
PolynomialDecay 类
tf_keras.optimizers.schedules.PolynomialDecay(
initial_learning_rate,
decay_steps,
end_learning_rate=0.0001,
power=1.0,
cycle=False,
name=None,
)
一个使用多项式衰减调度的 LearningRateSchedule。
通常观察到，单调递减的学习率（其变化程度经过仔细选择）会产生性能更好的模型。此调度将多项式衰减函数应用于优化器步骤，给定提供的 initial_learning_rate，以在给定的 decay_steps 中达到 end_learning_rate。
它需要一个 step 值来计算衰减的学习率。您可以只传递一个 TensorFlow 变量，该变量在每个训练步骤中递增。
该调度是一个 1 参数可调用对象，当传递当前优化器步骤时，会产生衰减的学习率。这对于在优化器函数的不同调用中更改学习率值非常有用。它的计算公式为
def decayed_learning_rate(step):
step = min(step, decay_steps)
return ((initial_learning_rate - end_learning_rate) *
(1 - step / decay_steps) ^ (power)
) + end_learning_rate
如果 cycle 为 True，则使用 decay_steps 的倍数，第一个大于 step 的倍数。
def decayed_learning_rate(step):
decay_steps = decay_steps * ceil(step / decay_steps)
return ((initial_learning_rate - end_learning_rate) *
(1 - step / decay_steps) ^ (power)
) + end_learning_rate
您可以将此调度直接传递到 tf.keras.optimizers.Optimizer 中作为学习率。示例
使用以下方法拟合模型，同时在 10000 步内从 0.1 衰减到 0.01
sqrt（即 power=0.5）
...
starter_learning_rate = 0.1
end_learning_rate = 0.01
decay_steps = 10000
learning_rate_fn = tf.keras.optimizers.schedules.PolynomialDecay(
starter_learning_rate,
decay_steps,
end_learning_rate,
power=0.5)
model.compile(optimizer=tf.keras.optimizers.SGD(
learning_rate=learning_rate_fn),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, labels, epochs=5)
学习率调度也可以使用 tf.keras.optimizers.schedules.serialize 和 tf.keras.optimizers.schedules.deserialize 进行序列化和反序列化。
返回值
一个 1 参数可调用学习率调度，它接受当前优化器步骤并输出衰减的学习率，一个与 initial_learning_rate 类型相同的标量 Tensor。