PolynomialDecay 类tf_keras.optimizers.schedules.PolynomialDecay(
initial_learning_rate,
decay_steps,
end_learning_rate=0.0001,
power=1.0,
cycle=False,
name=None,
)
使用多项式衰减计划的学习率衰减器。
人们普遍观察到，具有精心选择的变化度数的单调递减的学习率可以带来性能更好的模型。该计划在给定的 decay_steps 内，根据提供的 initial_learning_rate，对优化器步骤应用多项式衰减函数，以达到 end_learning_rate。
它需要一个 step 值来计算衰减的学习率。您可以直接传递一个您在每个训练步骤中递增的 TensorFlow 变量。
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):
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，即大于 step 的第一个倍数。
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
您可以直接将此计划作为学习速率传递给 tf.keras.optimizers.Optimizer。示例
使用 0.1 衰减到 0.01，在 10000 步中拟合模型
平方根（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)
学习率衰减器也可以通过 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。