ExponentialDecay 类tf_keras.optimizers.schedules.ExponentialDecay(
initial_learning_rate, decay_steps, decay_rate, staircase=False, name=None
)
采用指数衰减计划的 LearningRateSchedule。
在训练模型时，降低学习速率随着训练的进展，通常很有用。该计划会将指数衰减函数应用于优化器步，给定一个预设的初始学习速率。
该调度是一个单参数可调用对象，当传入当前优化器步骤时，它会产生一个衰减的学习率。这对于在优化器函数不同调用之间更改学习率值非常有用。它的计算方式如下：
def decayed_learning_rate(step):
return initial_learning_rate * decay_rate ^ (step / decay_steps)
如果参数 staircase 设置为 True，则 step / decay_steps 为整数除法，并且衰减的学习速率遵循阶梯函数。
您可以直接将此计划作为学习速率传递给 tf.keras.optimizers.Optimizer。示例
在拟合 TF-Keras 模型时，每 100000 步衰减一次，基础
为 0.96
initial_learning_rate = 0.1
lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
initial_learning_rate,
decay_steps=100000,
decay_rate=0.96,
staircase=True)
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=lr_schedule),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, labels, epochs=5)
学习速率计划还可以通过 tf.keras.optimizers.schedules.serialize 和 tf.keras.optimizers.schedules.deserialize 进行序列化和反序列化。
返回
一个接受当前优化器步并输出衰减的学习速率（与 initial_learning_rate 类型相同的标量 Tensor）的 1 参数可调用学习速率计划。