PolynomialDecay 类tf_keras.optimizers.schedules.PolynomialDecay(
initial_learning_rate,
decay_steps,
end_learning_rate=0.0001,
power=1.0,
cycle=False,
name=None,
)
使用多项式衰减调度的学习率调度器。
通常认为，精心选择变化程度的单调递减学习率会带来性能更好的模型。此调度器根据提供的 initial_learning_rate，对优化器步数应用多项式衰减函数，以便在给定的 decay_steps 中达到 end_learning_rate。
它需要一个 step 值来计算衰减后的学习率。你可以简单地传递一个 TensorFlow 变量，并在每个训练步中递增该变量。
此调度器是一个接受一个参数的可调用对象，当传入当前优化器步数时，会产生一个衰减后的学习率。这对于在优化器函数的不同调用中改变学习率值非常有用。其计算公式如下：
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
你可以将此调度器直接作为学习率传递给 tf.keras.optimizers.Optimizer。示例
使用以下方式训练模型，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)
学习率调度器也可以使用 tf.keras.optimizers.schedules.serialize 和 tf.keras.optimizers.schedules.deserialize 进行序列化和反序列化。
返回值
一个接受一个参数的可调用学习率调度器，它接收当前优化器步数，并输出衰减后的学习率，一个与 initial_learning_rate 类型相同的标量 Tensor。